Подстановочный знак, соответствующий строке в Python regex поиск
Я думал, что напишу некоторый быстрый код для загрузки количества "вентиляторов", которые имеет страница Facebook.
По некоторым причинам несмотря на достаточное количество повторений я попробовал, я не могу добраться, следующий код для выбирания количества разветвляет HTML на входе. Ни одно из других решений, которые я нашел в сети правильно, не соответствует regex в этом случае также. Конечно, возможно иметь некоторый подстановочный знак между двумя битами соответствия?
Текст, против которого я хотел бы соответствовать, является "6 из X вентиляторов", где X произвольное число вентиляторов, страница имеет - я хотел бы получить это число.
Я думал об опросе этих данных периодически и записи в файл, но я еще не нашел время для этого. Я также задаюсь вопросом, идет ли это в нужном направлении, поскольку код кажется довольно неуклюжим.:)
import urllib
import re
fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
pattern = "6 of(.*)fans" #this wild card doesnt appear to work?
compiled = re.compile(pattern)
for lines in fbhandle.readlines():
ms = compiled.match(lines)
print ms #debugging
if ms: break
#ms.group()
print ms
fbhandle.close()
3 ответа
import urllib
import re
fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
pattern = "6 of(.*)fans" #this wild card doesnt appear to work?
compiled = re.compile(pattern)
ms = compiled.search(fbhandle.read())
print ms.group(1).strip()
fbhandle.close()
Вместо этого нужно было использовать re.search(). Используя re.match(), вы пытаетесь сопоставить шаблон с целым документом, но на самом деле вы просто пытаетесь сопоставить фрагмент внутри документа. Код выше печатается: 79,110. Конечно, к тому времени, как он будет напечатан кем-то другим, это будет, скорее всего, другое число.
не нужны регекс
import urllib
fbhandle = urllib.urlopen('http://www.facebook.com/Microsoft')
for line in fbhandle.readlines():
line=line.rstrip().split("</span>")
for item in line:
if ">Fans<" in item:
rind=item.rindex("<span>")
print "-->",item[rind:].split()[2]
выход
$ ./python.py
--> 79,133
Эван Фосмарк уже дал хороший ответ. Это просто дополнительная информация.
У вас есть такая строка:
pattern = "6 of(.*)fans"
В общем, это плохое регулярное выражение. Если вводимый текст был:
«6 из 99 фанатов во всей галактике фанатов»
Тогда группа матчей (внутри скобок) будет:
«99 фанатов во всей галактике»
Итак, нам нужен шаблон, который будет просто захватывать то, что вы хотите, даже с глупым вводимым текстом, подобным приведенному выше.
В этом случае на самом деле не имеет значения, соответствуете ли вы пробелу, потому что при преобразовании строки в целое число пробел игнорируется. Но давайте напишем шаблон, чтобы игнорировать пробелы.
С помощью подстановочного знака * можно сопоставить строку нулевой длины. В этом случае я думаю, что вам всегда нужно непустое совпадение, поэтому вы хотите использовать + для сопоставления одного или нескольких символов.
В Python доступно нежадное сопоставление, так что вы можете переписать с этим. Старые программы с регулярными выражениями могут не иметь нежадного сопоставления, поэтому я также дам шаблон, который не требует нежадного сопоставления.
Итак, нежадный шаблон:
pattern = "6 of\s+(.+?)\s+fans"
Другой:
pattern = "6 of\s+(\S+)\s+fans"
\ s означает «любой пробел» и будет соответствовать пробелу, табуляции и нескольким другим символам (например, " подача формы "). \ S означает «любое непробельное пространство» и соответствует всему, что \ s не соответствует .
Первый шаблон лучше, чем ваш первый с глупым вводным текстом:
«6 из 99 фанатов во всей галактике фанатов»
Он вернет группу совпадений всего 99 .
Но попробуйте этот другой глупый вводный текст:
«6 из 99 сумасшедших фанатов»
Он вернет группу совпадений из 99 сумасшедших .
Второй шаблон вообще не подходит, потому что слово «сумасшедшие» - это не слово «фанаты».
Хм. Вот последний шаблон, который всегда должен поступать правильно даже с глупыми входными текстами:
pattern = "6 of\D*?(\d+)\D*?fans"
\ d соответствует любой цифре ( '0' до '9' ). \ D соответствует любому нецифровому.
Это будет успешно соответствовать всему, что отдаленно недвусмысленно:
«6 из 99 фанатов во всей галактике фанатов»
Соответствующая группа будет 99 .
«6 из 99 сумасшедших фанатов»
Матч группа будет 99 .
«6 из 99 41 фанатов»
Не будет совпадать, потому что там было второе число.
Чтобы узнать больше о регулярных выражениях Python, вы можете прочитать различные веб- страницы . Напоминаем, что внутри интерпретатора Python выполните:
>>> import re
>>> help(re)
Когда вы «очищаете» текст с веб-страницы, вы иногда можете столкнуться с кодами HTML. В общем, регулярные выражения не являются хорошим инструментом для игнорирования разметки HTML или XML (см. здесь ); вам, вероятно, будет лучше использовать Beautiful Soup для синтаксического анализа HTML и извлечения текста, а затем регулярное выражение для захвата текста, который вам действительно нужен.
Надеюсь, это было интересно и / или познавательно.