可選字正則表達式

Question

我試圖創建一個正則表達式來提取電話，的StreetAddress，從HTML網頁頁面值（9440717256，H.No。62年3月11日，RTC殖民地..）在python中。這三個領域都是可選我想這正則表達式，但輸出是不一致的

telephone\S+>(.+)</em>.*(?:streetAddress\S+(.+)</span>)?.*(?:pages\S+>(.+)</a></span>)? 

樣本串

<em phone="**telephone**">9440717256</em></div></div></li><li class="row"><i class="icon-sm icon-address"></i><div class="profile-details"><strong>Address</strong><div class="profi`enter code here`le-child"><address itemprop="address" itemscope="" itemtype="http://schema.org/PostalAddress" class="data-item"><span itemprop="**streetAddress**">H.No. 3-11-62, RTC Colony</span>, <span>Vastu Colony, </span><span class="text-black" itemprop="addressLocality"><a href="/hyderabad/lal-bahadur-nagar/allcategory.aspx" title="**Pages**">Lal Bahadur Nagar</a></span> 

誰能幫助我建立正則表達式嗎？

Answer 1

如果您知道HTML提供程序，裏面的代碼是什麼樣子，正則表達式可以安全使用。

然後，只需使用替代和命名捕獲組。

telephone[^>]*>(?P<Telephone>[^<]+)|streetAddress[^>]*>(?P<Address>[^<]+)|Pages[^>]*>(?P<Pages>[^<]+) 

見demo

如果>是不會被序列化，你可以使用這個表達式（更普遍的一個，編輯：現在，詳細）：

telephone[^<]*>  # Looking for telephone 
    (?P<Telephone>[^<]+) # Capture telephone (all text up to the next tag) 
| 
streetAddress[^<]*> # Looking for streetAddress 
    (?P<Address>[^<]+) # Capture address (all text up to the next tag) 
| 
Pages[^<]*>   # Looking for Pages 
    (?P<Pages>[^<]+)  # Capture Pages (all text up to the next tag) 

Sample demo on IDEONE

粘貼正則表達式代碼部分：

p = re.compile(ur'''telephone[^<]*>  # Looking for telephone 
    (?P<Telephone>[^<]+) # Capture telephone (all text up to the next tag) 
| 
streetAddress[^<]*> # Looking for streetAddress 
    (?P<Address>[^<]+) # Capture address (all text up to the next tag) 
| 
Pages[^<]*>   # Looking for Pages 
    (?P<Pages>[^<]+)  # Capture Pages (all text up to the next tag)''', re.IGNORECASE | re.VERBOSE) 
test_str = "YOUR STRING" 
print filter(None, [x.group("Telephone") for x in re.finditer(p, test_str)]) 
print filter(None, [x.group("Address") for x in re.finditer(p, test_str)]) 
print filter(None, [x.group("Pages") for x in re.finditer(p, test_str)]) 

輸出（加倍的結果是我的複製與不同的節點順序輸入字符串的結果）：

[u'9440717256', u'9440717256'] 
[u'H.No. 3-11-62, RTC Colony', u'H.No. 3-11-62, RTC Colony'] 
[u'Lal Bahadur Nagar', u'Lal Bahadur Nagar'] 

Answer 2

考慮到你的輸入是無效的HTML，它可能會有所變動，你可以使用一個HTML解析器，如BeautifulSoup。 但如果您的輸入更改，這些簡單的選擇器將不得不進行調整。

from bs4 import BeautifulSoup 

h = """<em phone="**telephone**">9440717256</em></div></div></li><li class="row"><i class="icon-sm icon-address"></i><div class="profile-details"><strong>Address</strong><div class="profi`enter code here`le-child"><address itemprop="address" itemscope="" itemtype="http://schema.org/PostalAddress" class="data-item"><span itemprop="**streetAddress**">H.No. 3-11-62, RTC Colony</span>, <span>Vastu Colony, </span><span class="text-black" itemprop="addressLocality"><a href="/hyderabad/lal-bahadur-nagar/allcategory.aspx" title="**Pages**">Lal Bahadur Nagar</a></span>""" 
soup = BeautifulSoup(h) 

編輯：既然你現在告訴我們，你想要一個有特定屬性值，你可以use a function as filter元素的文本。

def find_phone(tag): 
    return tag.has_attr("phone") and tag.get("phone") == "**telephone**" 

def find_streetAddress(tag): 
    return tag.has_attr("itemprop") and tag.get("itemprop") == "**streetAddress**" 

def find_pages(tag): 
    return tag.has_attr("title") and tag.get("title") == "**Pages**" 


print(soup.find(find_phone).string) 
print(soup.find(find_streetAddress).string) 
print(soup.find(find_pages).string) 

輸出：

9440717256 
H.No. 3-11-62, RTC Colony 
Lal Bahadur Nagar