Python RegEx pular os primeiros caracteres?

StackOverflow https://stackoverflow.com/questions/1620889

  •  06-07-2019
  •  | 
  •  

Pergunta

Ei, eu tenho uma pergunta bastante básico sobre expressões regulares. Quero apenas voltar dentro de texto (e incluindo) as etiquetas do corpo, e eu sei o seguinte não é certo, porque ele também vai corresponder a todos os caracteres antes do corpo tag de abertura. Eu queria saber como você faria para pular esses? 

x = re.match('(.*<body).*?(</body>)', fileString)

Obrigado!

Foi útil?

Solução

Aqui está um exemplo de código que usa regex para encontrar todo o texto entre as tags <body>...</body>. Embora isso demonstra algumas características do módulo de re de python, nota que a módulo bonito Soup é muito fácil de usar e é uma ferramenta melhor para usar se você está pensando em análise de HTML ou XML. (Veja abaixo um exemplo de como você pode analisar isso usando BeautifulSoup.) 

#!/usr/bin/env python
import re

# Here we have a string with a multiline <body>...</body>
fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''

# re.DOTALL tells re that '.' should match any character, including newlines.
x = re.search('(<body>.*?</body>)', fileString, re.DOTALL)
for match in x.groups():
    print(match)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

Se você deseja coletar todas as partidas, você poderia usar re.findall: 

print(re.findall('(<body>.*?</body>)', fileString, re.DOTALL))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

e se você planeja usar este padrão mais de uma vez, você pode pré-compilá-lo: 

pat=re.compile('(<body>.*?</body>)', re.DOTALL)
print(pat.findall(fileString))
# ['<body>foo\nbaby foo\nbaby foo\nbaby foo\n</body>', '<body>bar</body>']

E aqui está como você pode fazê-lo com BeautifulSoup: 

#!/usr/bin/env python
from BeautifulSoup import BeautifulSoup

fileString='''baz<body>foo
baby foo
baby foo
baby foo
</body><body>bar</body>'''
soup = BeautifulSoup(fileString)
print(soup.body)
# <body>foo
# baby foo
# baby foo
# baby foo
# </body>

print(soup.findAll('body'))
# [<body>foo
# baby foo
# baby foo
# baby foo
# </body>, <body>bar</body>]

Outras dicas

Eu não sei Python, mas aqui está um exemplo rápido jogado juntos usando bonito Soup , que muitas vezes eu vejo recomendado para análise Python HTML. 

import BeautifulSoup

soup = BeautifulSoup(fileString)

bodyTag = soup.html.body.string

Essa vontade (em teoria) lidar com todas as complexidades do HTML, que é muito difícil com respostas baseadas em regex puros, porque não é o que regex foi projetado para.

Você não pode analisar HTML com regex. HTML não é uma linguagem regular. Use um analisador HTML como lxml vez. 

 x = re.match('.*(<body>.*?</body>)', fileString)

Considere minidom para HTML de análise. 

x = re.search('(<body>.*</body>)', fileString)
x.group(1)

Menos digitação do que as respostas jogo

A sua fileString conter várias linhas ? Nesse caso, você pode precisar especificá-lo ou ignorar as linhas explicitamente: 

x = re.match(r"(?:.|\n)*(<body>(?:.|\n)*</body>)", fileString)

ou, mais simplesmente com o módulo re: 

x = re.match(r".*(<body>.*</body>)", fileString, re.DOTALL)

x.groups()[0] deve conter a string se x não é None.

Licenciado em: CC-BY-SA com atribuição
Não afiliado a StackOverflow
scroll top