蟒蛇正则表达式查找图片路径

我有类似下面的变量：蟒蛇正则表达式查找图片路径

var = '<img src="path_1"><p>Words</p><img src="path_2>'

它是一个字符串，但里面显然是HTML元素。我如何才能使用正则表达式获得第一条路径（即path_1）？

我想是这样的：

match = re.match(r'src=\"[\w-]+\"', var) 
print match.group(0)

我得到这个错误：

Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
AttributeError: 'NoneType' object has no attribute 'group'

任何帮助表示赞赏。

来源

2016-04-26 Tahmid Khan Nafee

尝试're.search（）' – thebjorn

'match'只能从开头找到.. ['如果字符串开头的零个或多个字符匹配正则表达式模式]（https://docs.python.org /2/library/re.html#re.match） – rock321987

你should use an HTML parser像BeautifulSoup：

>>> from bs4 import BeautifulSoup 
>>> var = '<img src="path_1"><p>Words</p><img src="path_2>' 
>>> soup = BeautifulSoup(var, "html.parser") 
>>> soup.img["src"] 
'path_1'

至于正则表达式的方法，你需要做以下修改，使其工作：

开关re.search()，re.match()开始从匹配字符串开头
加一个capturing group来捕获src值
就没有必要逃避双引号

修正版本：

>>> re.search(r'src="([\w-]+)"', var).group(1) 
'path_1'

来源

2016-04-26 15:08:00 alecxe

我会说：你***应该***使用一个HTML解析器 –

@PedroLobito绝对，做了修改并引用了着名的线程。谢谢。 – alecxe

哇，我其实不知道这个存在。这看起来非常合适。非常感谢！ –

正如评论所说，使用search()因为match()将尝试正则表达式从一开始匹配字符串。您也可以使用捕捉命名组，使代码更易读：

var = '<img src="path_1"><p>Words</p><img src="path_2>' 
import re 
match = re.search(r'src=\"(?P<path1>[\w-]+)\"', var) 
if match: 
    print(match.group('path1'))

输出：

path_1

来源

2016-04-26 15:10:15 Cyb3rFly3r

尝试，

path1= re.search(r'<img\s+src="(.*?)"><p>',var).group(1) # path_1

BeutifulSoup方便。但非常慢。
HTMLParser要快得多。但使用它是痛苦的。
re是最快选项，在我看来，对于无国籍 usecases这是值得的。

如果目标文字状态，即大量的嵌套并捕获语义是很重要的，而不是实现状态机e.g解析器使用一个可用的解析器。我强烈建议lxml解析HTML和XML。这比bs4方便一点，但在速度上相当于re。

来源

2016-04-26 15:36:34

声明“BeautifulSoup”“很慢”的说法太过强烈。您可以将其配置为使用不同的分析器：说'lxml'：'BeautifulSoup（data，“lxml”）'。或者你可以通过'SoupStrainer'等解析文档的一部分。 – alecxe

我知道它。即使你在引擎盖下使用'lxml'，它比're'慢了一个数量级。所有的对象创作和外观.. –

蟒蛇正则表达式查找图片路径

回答

相关问题