使用REGEX提取模式之间的文本

Question

我需要在Python中使用正则表达式的帮助。

我有一个大的HTML文件[大约400线]具有下列模式

text here(div,span,img tags) 

<!-- 3GP||Link|| --> 

text here(div,span,img tags) 

所以，现在我正在寻找一个正则表达式，可以提取我这个 - ：

Link 

给定的模式在html文件中是唯一的。

Answer 1

>>> d = """ 
... Some text here(div,span,img tags) 
... 
... <!-- 3GP||**Some link**|| --> 
... 
... Some text here(div,span,img tags) 
... """ 
>>> import re 
>>> re.findall(r'\<!-- 3GP\|\|([^|]+)\|\| --\>',d) 
['**Some link**'] 

• r''是原始文字，它停止标准的字符串的解释逃脱
• \<!-- 3GP\|\|是一个正则表达式逃脱匹配<!-- 3GP||
• ([^|]+)将匹配所有字符都一个|和团体也为了方便
• \|\| --\>是|| -->
• 一个正则表达式匹配逃脱re.findall返回字符串中重新组织模式的所有非重叠匹配，如果在重新组合模式中存在组表达式，则返回该匹配。

Answer 2

import re 
re.match(r"<!-- 3GP\|\|(.+?)\|\| -->", "<!-- 3GP||Link|| -->").group(1) 

产生"Link"。

Answer 3

如果您需要解析别的东西，你也可以用BeautifulSoup结合正则表达式：

import re 
from BeautifulSoup import BeautifulSoup, Comment 

soup = BeautifulSoup(<your html here>) 
link_regex = re.compile('\s+3GP\|\|(.*)\|\|\s+') 
comment = soup.find(text=lambda text: isinstance(text, Comment) 
        and link_regex.match(text)) 
link = link_regex.match(comment).group(1) 
print link 

注意，在这种情况下，正规表示法只需要因为BeautifulSoup已经细心地匹配发言内容从评论中提取文本。