看似簡單的Python正則表達式不匹配

我正在使用BeautifulSoup的（python）find_all函數與正則表達式從網頁上刮掉一些數據。具體來說，我從here中挖出個別分類廣告。如果檢查每個所分類的廣告，可以看到它們通常包封在以下任一的div：看似簡單的Python正則表達式不匹配

<div class="item c-b-#">...</div>

或

<div class="item c-b-# premium">...</div>

#哪裏是一個數字（通常爲0或2）。

這裏我的目標是用正則表達式來區分這兩者。下面是我做了什麼：

regularAds = soup.find_all('div', attrs={'class': re.compile('item.*')})

和

premiumAds = soup.find_all('div', attrs={'class': re.compile('item.*premium')})

前者作品expeced - 返回所有公告（包括地價），但後者返回無。它有什麼問題？爲什麼不'item.*premium'映射到第二個div類？

作爲次要的問題：我將如何改變第一正則表達式說：「我希望所有那些有字'item'但不字'premium'

編輯

以供將來參考：後一個小試驗和錯誤的答案我二次的問題變成了：。

regularAds = [tag for tag in soup.find_all('div', attrs={'class': re.compile('item')}) if 'premium' not in tag['class']]

這很好地工作

來源

2014-03-25 Alexander Høst

我的快速猜測是class美麗的湯基本上是調用class.split(' ')對類屬性的實際文本的結果。如果你這樣做：

premiumAds = soup.find_all('div', attrs={'class': 'premium'})

來源

2014-03-25 19:54:35

哇...它的工作！我從來不會猜到。我認爲有點怪異的行爲。不完全直觀，但它解釋了很多（我以前曾經遇到過類似的問題）。謝謝！ –

很高興幫助！我認爲這樣做與'classList'類似。 –

古怪IDD作爲你的第二個正則表達式應該明確工作：

>>> soup = BeautifulSoup('<div class="item c-b-#">text1</div><div class="item c-b-# premium">text2</div>') 
>>> soup.findAll('div', attrs={'class': re.compile('item.*premium')}) 
[<div class="item c-b-# premium">text2</div>]

什麼soup.findAll('div', attrs={'class': re.compile('^item((?!premium).)*$')})你的最後一個問題。

來源

2014-03-25 20:25:39 etna

我很確定正則表達式本身是正確的，但參考。 @sam上面的建議，類屬性被拆分爲''，所以幾乎縮小了它的範圍。你的正則表達式工作正常，但;返回與'。* item。*'相同的內容。 –

看似簡單的Python正則表達式不匹配

回答

相關問題