re.findall如何返回重複的匹配

我有IP：PORT列表在HTML中，當我使用findall搜索所有IP我得到所有IP becouse IP列表是唯一的，一些端口是相同的，我通過例子列出了100個IP，只有87個端口。如何找到重複的所有端口？re.findall如何返回重複的匹配

proxies = re.findall("[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}",html) 

ports = re.findall("[0-9]{1,3}\,[0-9]{1,3}\,[0-9]{1,3}\,[0-9]{1,3}",html) 
#ports are coded to looks like this 47,46,47,46 

print len(proxies) 
print len(ports)

來源

2011-06-09 bertrand

你能證明你正在使用找到比賽和修整非唯一結果的代碼？ – unholysampler 2011-06-09 19:57:32

你能提供一些樣本數據嗎？完全有可能你可以一次拿到兩套，但看到輸入會使這個決定容易得多。 – 2011-06-09 20:08:16

但是爲什麼不找組合IP：Port的所有字符串，然後簡單地按照需要分割結果？ – 2011-06-09 20:13:26

沒有看到源文件，我只能提出一些基本觀點。

端口號不限於3個數字，所以你在排除999
任何端口做端口號只顯示爲4個端口的列表？你說格式是IP:PORT的列表，但這不是你正在檢查的內容。

編輯：

看網頁的源更仔細。有些條目沒有4個端口號。

<tr> 
    <td class="t_ip">151.9.233.6</td> 
    <td class="t_port">50,42</td> 
    <td class="t_country"><img src="/images/flags/it.png" alt="it" />Italy</td> 
    <td class="t_anonymity"> 

      High 

    </td> 
    <td class="t_https">-</td> 
    <td class="t_checked">00:02:16</td> 
    <td class="t_check"> 
     <a href="" class="a_check" >check</a> 
    </td> 
</tr>

它也似乎將是一個更容易檢查class="t_ip"和class="t_port"，抓住元素的內容。

<td class="t_ip">(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})</td> 
<td class="t_port">((\d,?)+)</td>

注： IP地址表達式將匹配無效的IP地址。

來源

2011-06-09 20:07:51 unholysampler

req = urllib.urlopen（「http://proxyhttp.net/」） html = req.read（） – bertrand 2011-06-09 20:11:48

@bertrand：查看我的編輯瞭解更多信息。 – unholysampler 2011-06-09 20:18:04

你是對的，謝謝你:) – bertrand 2011-06-09 20:25:54

不知道這會幫助你太多，只是另一種選擇：

txt = """ 
<tr> 
    <td class="t_ip">151.9.233.6</td> 
    <td class="t_port">50,42</td> 
    <td class="t_country"><img src="/images/flags/it.png" alt="it" />Italy</td> 
    <td class="t_anonymity"> 

      High 

    </td> 
    <td class="t_https">-</td> 
    <td class="t_checked">00:02:16</td> 
    <td class="t_check"> 
     <a href="" class="a_check" >check</a> 
    </td> 
</tr>  
""" 

txt = [line.strip() for line in txt.split('\n')] 

#clstaglen = len('</td>') => 5 
getVals = lambda startTxt: [line[len(startTxt):len(line)-5] for line in txt if line.startswith(startTxt)] 

print getVals('<td class="t_ip">') 
print getVals('<td class="t_port">')

來源

2011-06-09 20:49:14

re.findall如何返回重複的匹配

回答

相關問題