0

Объясните, пожалуйста, есть строка:

<td><span class=small>1.</span><br><a href='/roder/re3rr70' title='0r0t3 (1et).jpg'>picture</a></td>

Мне надо выбрать из неё /roder/re3rr70 и 0r0t3 (1et).jpg и конкатенировать результат, чтобы получилось такая ссылка: http://roder/re3rr70/0r0t3 (1et).jpg, но застрял на таком:

>>> import re
>>> text = "<td><span class=small>1.</span><br><a href='/roder/re3rr70' title='0r0t3 (1et).jpg'>picture</a></td>"
>>> d = re.findall(r"<a href='(.+?)'>(.+?)</a>", text)
>>> print d
[("/roder/re3rr70' title='0r0t3 (1et).jpg", 'picture')]

То есть у меня выводится все, заключенное между тегом <a></a>, а я не знаю, как написать условия, чтобы после тэга href= выводилось значение title, а остальное отбрасывалось. Объясните, как задать условия?

2 ответа 2

5

Лучше не стоит парсить HTML регэкспами. Начиная с того, что, собственно, HTML не регулярен (хотя нынешние регэкспы тоже, хех, Тьюринг-полны), и заканчивая тем, что для такого придуманы lxml или BeautifulSoup.

Вот пример с lxml:

[(e.get("href"), e.get("title"))
 for e in lxml.html.fromstring(text)
                   .xpath("//td/span[@class='small']/following-sibling::a")]
2
  • а,пояснить это на выше написанном коде можно?
    – tukan
    28 сен 2011 в 11:14
  • 1
    Ну, парсим HTML-фрагмент вызовом lxml.html.fromstring(), выполняем на нем XPath-запрос //td/span[@class='small']/following-sibling::a (в любом месте элемент — «//td», в нем span с атрибутом class="small" — «/span[@class='small']», и от этого последующий соседний элемент a — «/following-sibling::a»), итерируем по результату и на каждый элемент результата возвращаем кортеж с атрибутами «href» и «title».
    – drdaeman
    28 сен 2011 в 15:22
3

Если я правильно понял ваш вопрос:

import re
text = "<td><span class=small>1.</span><br><a href='/roder/re3rr70' title='0r0t3 (1et).jpg'>picture</a></td>"
m = re.search(r"<a href='([^>]+?)'[^>]*title='([^>]+?)'[^>]*>", text)
if m:
    print 'http:/%s/%s' % (m.group(1), m.group(2))

выводит

http://roder/re3rr70/0r0t3 (1et).jpg

UPD: Во-первых рекомендую почитать про регудярные выражения вообще, например на википедии. Хотя их синтаксис немного варьируется в зависимости от языка программирования, но в целом везде одно и то же. Во-вторых прочитайте документацию по библиотеке re (первая ссылка по запросу re в google).

По поводу этого примера:

  1. [^>] означает любой символ, кроме '>'. Это нужно, чтобы не прочитать лишнего. Например, регулярка 'z.*z' на строке "adszazzbzasd" будет соответствовать "zazzbz", а не "zaz" как хотелось бы. Еще для этого есть ленивые квантификаторы, но я не помню синтаксис.
  2. Часть регулярки заключенная в скобки называется группа. Она нужна, чтобы вытащить эту часть из строки. m - объект типа re.Match. if m - проверка на то, что в строке нашлась подстрока удовлетворяющая выражению. m.group(i) возращает часть строки, соответствующую группе с номером i.
6
  • вот,с этого поподробнее!интересует именно условия - ([^>]+?)'[^>] и ([^>]+?)'[^>]*>,а также логика условия if m,ну и m.group(1) и (2),ведь мне надо разобраться а не просто скопипастить,не все время решать задачи путем помощи
    – tukan
    28 сен 2011 в 7:51
  • 3
    Может, вместо > r"<a href='(.+?)'>(.+?)</a>" использовать > r"<a href='(.+?)' title='(.+?)'>.*</a>" вам же аттрибут title еще нужен.
    – panda
    28 сен 2011 в 8:05
  • Вот это href='([^>]+?)' и title='([^>]+)' немного странные условия. Наверное, правильнее что-то вроде: href='([^']+)' или еще лучше href='((?:[^']|(?<!\\).)+)' и аналогично для title. @tukan, скажите, что именно вам не понятно? На всякий случай: [ Regular expression operations][1] [1]:docs.python.org/library/re.html 28 сен 2011 в 8:31
  • то,что предложил panda,выглядит красиво,правда еще не совсем разобрался с управляющими символами,но красиво,чьерт поберри: >>> import re >>> text = "<td><span class=small>1.</span><br><a href='/roder/re3rr70' title='0r0t3 (1et).jpg'>picture</a></td>" >>> d = re.search(r"<a href='(.+?)' title='(.+?)'>.*</a>", text) >>> print 'http:/%s/%s' % (d.group(1), d.group(2)) roder/re3rr70/0r0t3 (1et).jpg
    – tukan
    28 сен 2011 в 8:36
  • мне было не понятно,как добавить в условие title,теперь разобрался,что надо было вписать title='(.+?)'>.*</a>"
    – tukan
    28 сен 2011 в 8:43

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.