-1

我试图用忽略案例捕获多个组，并且暂时没有任何进展。我正在检查的字符串可以有多种形式，例如一些

<A title="Test title Ch.42" href="http://www.google.com">Test title Ch.42  </a>
<A title="Test title Vol2. Ch.42" href="http://www.google.com">Test title Vol2. Ch.42  </a>
<A title="Test title Vol2.Ch.42" href="http://www.google.com">Test title Vol2.Ch.42  </a>
<A title="Test title \"with multiple quotes\" Ch.42" href="http://www.google.com">Test title "with multiple quotes" Ch.42  </a>
<A title="Test title w1th numb3rs Ch.42" href="http://www.google.com">Test title w1th numb3rs Ch.42  </a>
<A title="Test title no 42" href="http://www.google.com">Test title no 42  </a>

所以一般来说规则是这样的：

  • 标题标签中的主标题可以包含每个字符，包括数字和特殊字符

  • 该 url 是标准 url，但可以使用 (.*) 表达式捕获而不会出现问题

  • Ch。一般是可选的

  • 如果字符串包含 Vol.，则 Ch. 强制执行

我当前的正则表达式如下所示：

pattern = re.compile('<A title="((.*)(?:Vol.[\d]+){0,1}(?: Ch.){0,1}([\d]+))" href="(.*)">')

我想尝试捕捉：

  • 带有 Vol 和 Ch 的标题标签，包括它们后面的数字

  • 没有 Vol 和 Ch 的标题（并且没有 Vol 和 Ch 后面的数字）

  • Ch后面的数字。

拆分正则表达式会更好，什么对性能更好（它运行了几千个字符串，所以我想保持它的性能）？

亲切的问候 Baumchen

4

1 回答 1

1

在这种情况下，正则表达式不是解析的最佳工具，我想有专门的工具。但是，对于给定的示例，您可以尝试以下操作：

<a title="(.+?)\s?((Vol(\d+))?\s?\.?(Ch.(\d+)))?"\shref="(.+)">

演示

  • group(1)- 标题，
  • group(2)- Vol 与 num 或/与 Ch 与 num，
  • group(3)- 带数字的卷
  • group(4)- 只有数量（卷）
  • group(5)- 带数字的频道
  • group(6)- 只有数字（Ch.）
  • group(7)- 网址
于 2015-08-13T09:19:28.623 回答