关于正则表达式里\n与\r的吐槽。
还是用Scrapy写的一个小爬虫,由于xpath有点忘记了而且对于复杂网页和有JS写的表现部分,Xpath很无力,所以我还是习惯用正则来抓内容。
好吧,遇到了下面这样一种情形的时候: </div></div> <table class="case" border="0" cellspacing="0" cellpadding="0" ><tr><span style="color:#ff0000;"><strong><td></strong></span> 我麦的电动车呢,谁给上一下图,!<br /><small class="f666">发自手机虎扑 m.hupu.com</small> <strong><span style="color:#ff0000;"></td></span></strong></tr></table> <div class="reply-sponsor-users"></div> <div class="liangShare"></div> </div><div class="clearfix"></div></div>我要提取中间的那部分内容,也就是<td>与</td>标签中间的部分。 好吧,看着蛮简单的,那么问题来了。 首先,这两个标签的内容中间有可能出现n而且是非常可能,所以简单的用.*来匹配中间部分并不可行。 然后,这个HTML里的内容,从这个标签开始,换了两行,所以我自然而然的觉得是两个nn,所以我的大部分努力的正则大概是这种新式的:
r'''<td>nn((?:n|.)*?)nn</td>'''
由于是在Python中,采用了分组策略,通道了分组忽略的方法,也用了非贪婪模式进行重复匹配。怎么样,听上去已经很不错了是吧? 我也是这么觉得的。 而且我直接把网页内容赋值给一个字符串变量,用这种方式在命令行里测试hao无问题!
然而在整个程序里,就是什么都采不到!!!我用了N种方式反复测试。 最后实在没办法,只能一点一点测试在程序里的正则,最后发现的问题是, 标签后面并不是 nn 而是rn。。。。。。
去找在正则表达式的语法,在官方描述里,n是换行符,r是回车符...... 所以说,是眼睛欺骗了我。在看网页源代码里,并不能分辨。 真的是非常坑爹......好吧,现在可以没问题地跑下来了。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |