अजगर - - Regex कैसे तार के दो सेट के बीच एक स्ट्रिंग निम्नलिखित

Question

पर विचार लगता है:

<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div> 

कैसे आप अजगर में regex के साथ साइटमैप लाइन बाहर लेने के बारे में जाना होगा?

<a href="/sitemap">Sitemap</a> 

एंकर टैग खींचने के लिए निम्नलिखित का उपयोग किया जा सकता है।

'/<a(.*?)a>/i' 

हालांकि, कई एंकर टैग हैं। इसके अलावा कई हॉटलिंक भी हैं इसलिए हम वास्तव में उनका उपयोग नहीं कर सकते हैं?

Answer 1

रेगेक्स का उपयोग न करें। BeautfulSoup, एक HTML पार्सर का प्रयोग करें।

from BeautifulSoup import BeautifulSoup 

html = \ 
""" 
<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div>""" 

soup = BeautifulSoup(html) 
soup.findAll("div",id="hotlink")[2].a 

# <a href="/sitemap">Sitemap</a> 

Answer 2

नियमित अभिव्यक्ति के साथ HTML को पार्स करना एक बुरा विचार है!

एचटीएमएल

का निम्न भाग के बारे में सोचो वहाँ ऐसे कई उदाहरण हैं। नियमित अभिव्यक्ति कई चीजों के लिए अच्छी होती है, लेकिन HTML को पार्स करने के लिए नहीं।

आपको Beautiful Soup पायथन एचटीएमएल पार्सर का उपयोग करने पर विचार करना चाहिए।

>>> e.findall(data) 
['<a href="foo1.com">Foo1</a>', '<a href="/">Home</a>', '<a href="/extract">Extract</a>', '<a href="/sitemap">Sitemap</a>'] 

Answer 3

उपयोग BeautifulSoup या lxml यदि आप HTML पार्स करने के लिए की जरूरत है:

किसी भी तरह, एक तदर्थ regex का उपयोग कर समाधान

import re 

data = """ 
<div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
    <div id=hotlink> 
    <a href="/">Home</a> 
    </div> 
    <div id=hotlink> 
    <a href="/extract">Extract</a> 
    </div> 
    <div id=hotlink> 
    <a href="/sitemap">Sitemap</a> 
    </div> 
</div> 
""" 

e = re.compile('<a *[^>]*>.*</a *>') 

print e.findall(data) 

आउटपुट है।

इसके अलावा, आपको वास्तव में क्या करना है? अंतिम लिंक खोजें? तीसरा लिंक खोजें? लिंक/साइटमैप को इंगित करने वाला लिंक ढूंढें? यह आपके सवाल से अस्पष्ट है। डेटा के साथ पर आपको क्या करना है?

यदि आपको वास्तव में नियमित अभिव्यक्तियों का उपयोग करना है, तो findall पर एक नज़र डालें।

Answer 4

आदेश टैगलाइन की सामग्री को निकालने के लिए में:

<a href="/sitemap">Sitemap</a> 

... मैं का प्रयोग करेंगे:

>>> import re 
    >>> s = ''' 
    <div id=hotlinklist> 
    <a href="foo1.com">Foo1</a> 
     <div id=hotlink> 
     <a href="/">Home</a> 
     </div> 
     <div id=hotlink> 
     <a href="/extract">Extract</a> 
     </div> 
     <div id=hotlink> 
     <a href="/sitemap">Sitemap</a> 
     </div> 
    </div>''' 
    >>> m = re.compile(r'<a href="/sitemap">(.*?)</a>').search(s) 
    >>> m.group(1) 
    'Sitemap'