如何确保re.findall()在正确的位置停止？

Question

这是我的代码:

a='<title>aaa</title><title>aaa2</title><title>aaa3</title>'
import re
re.findall(r'<(title)>(.*)<(/title)>', a)

结果是:

[('title', 'aaa</title><title>aaa2</title><title>aaa3', '/title')]

如果我设计了一个爬虫来获取网站的标题,我可能会得到这样的东西,而不是网站的标题.

我的问题是,我如何限制findall单身<title></title>？

Answer 1

如果您只想要一个匹配,请使用re.search而不是re.findall:

>>> s = '<title>aaa</title><title>aaa2</title><title>aaa3</title>'
>>> import re
>>> re.search('<title>(.*?)</title>', s).group(1)
'aaa'

如果您想要所有标签,那么您应该考虑将其更改为非贪婪(即 - .*?):

print re.findall(r'<title>(.*?)</title>', s)
# ['aaa', 'aaa2', 'aaa3']

但是真的考虑使用BeautifulSoup或lxml或类似解析HTML.

Answer 2

改为使用非贪婪的搜索:

r'<(title)>(.*?)<(/title)>'

问号表示尽可能少地匹配字符.现在你的findall()将返回你想要的每个结果.

Answer 3

re.findall(r'<(title)>(.*?)<(/title)>', a)

?在后面添加一个*，这样它将是非贪婪的。