在Python中如何用正则表达式提取xml中的<p>之间的内容

# 代码

html_text = '''

<p>When ES cells differentiate, they migrate out from colonies on gelatin-coated dishes, similar to the ES cells on the 

<xref ref-type="bibr" rid="pone0000015-Rogers1">[17]</xref> and <italic>nanog</italic> ,

,<xref ref-type="bibr" rid="pone0000015-Chambers1">[19]</xref> well-known markers for undifferentiated ES cells </p>

<p>(A) R1 cells were cultured for 5 days in the presence of 

<xref ref-type="bibr" rid="pone0000015-Rogers1">[1]</xref> and <italic>nanog</italic> 

<xref ref-type="bibr" rid="pone0000015-Mitsui1">[2]</xref>, <xref ref-type="bibr" rid="pone0000015-Chambers1">[3]</xref> various doses of LIF (0–1,000 units/ml) </p>

'''

pattern = r'(<p></p>)'

html_text = resub('\n', '', html_text)

text = refindall(pattern, html_text)

print(text)# 输出

['<p>When ES cells differentiate, they migrate out from colonies on gelatin-coated dishes, similar to the ES cells on the <xref ref-type="bibr" rid="pone0000015-Rogers1">[17]</xref> and <italic>nanog</italic> ,,<xref ref-type="bibr" rid="pone0000015-Chambers1">[19]</xref> well-known markers for undifferentiated ES cells </p>',

 '<p>(A) R1 cells were cultured for 5 days in the presence of <xref ref-type="bibr" rid="pone0000015-Rogers1">[1]</xref> and <italic>nanog</italic> <xref ref-type="bibr" rid="pone0000015-Mitsui1">[2]</xref>, <xref ref-type="bibr" rid="pone0000015-Chambers1">[3]</xref> various doses of LIF (0–1,000 units/ml) </p>']

输出：

解释一下：

1正则匹配串前加了r就是为了使得里面的特殊符号不用写反斜杠了。

2[ ]具有去特殊符号的作用,也就是说[(]里的(只是平凡的括号

3正则匹配串里的()是为了提取整个正则串中符合括号里的正则的内容

输出：

PS：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具： >

>>> s='''21899   6% S    15 173928K  38024K  fg app_108  comtencentqq

21899  34% S    14 191436K  50888K  fg app_108  comtencentqq

21899  49% S    14 183928K  41584K  fg app_108  comtencentqq

21899  28% S    15 176984K  40240K  fg app_108  comtencentqq

21899   6% S    15 177004K  40448K  fg app_108  comtencentqq

21899   6% S    14 176048K  40564K  fg app_108  comtencentqq

21899  10% S    14 176196K  40472K  fg app_108  comtencentqq

21899   9% S    14 176232K  40712K  fg app_108  comtencentqq

21899  12% S    14 176288K  40820K  fg app_108  comtencentqq

21899  10% S    14 176288K  40820K  fg app_108  comtencentqq

21899  12% S    16 179376K  40904K  fg app_108  comtencentqq'''

>>> open('atxt','w')write(s)

>>> f=open('atxt')

>>> fread()

'21899   6% S    15 173928K  38024K  fg app_108  comtencentqq\n21899  34% S    14 191436K  50888K  fg app_108  comtencentqq\n21899  49% S    14 183928K  41584K  fg app_108  comtencentqq\n21899  28% S    15 176984K  40240K  fg app_108  comtencentqq\n21899   6% S    15 177004K  40448K  fg app_108  comtencentqq\n21899   6% S    14 176048K  40564K  fg app_108  comtencentqq\n21899  10% S    14 176196K  40472K  fg app_108  comtencentqq\n21899   9% S    14 176232K  40712K  fg app_108  comtencentqq\n21899  12% S    14 176288K  40820K  fg app_108  comtencentqq\n21899  10% S    14 176288K  40820K  fg app_108  comtencentqq\n21899  12% S    16 179376K  40904K  fg app_108  comtencentqq'

>>> pprintpprint(map(lambda x:refindall('\d+ +(\d+%) +S +\d+ +(\d+K) +(\d+K)',x),ssplit('\n')))

[[('6%', '173928K', '38024K')],

 [('34%', '191436K', '50888K')],

 [('49%', '183928K', '41584K')],

 [('28%', '176984K', '40240K')],

 [('6%', '177004K', '40448K')],

 [('6%', '176048K', '40564K')],

 [('10%', '176196K', '40472K')],

 [('9%', '176232K', '40712K')],

 [('12%', '176288K', '40820K')],

 [('10%', '176288K', '40820K')],

 [('12%', '179376K', '40904K')]]

>>> pprintpprint(map(lambda x:refindall('\d+ +(\d+%) +S +\d+ +(\d+K) +(\d+K)',x),open('atxt')read()split('\n')))

[[('6%', '173928K', '38024K')],

 [('34%', '191436K', '50888K')],

 [('49%', '183928K', '41584K')],

 [('28%', '176984K', '40240K')],

 [('6%', '177004K', '40448K')],

 [('6%', '176048K', '40564K')],

 [('10%', '176196K', '40472K')],

 [('9%', '176232K', '40712K')],

 [('12%', '176288K', '40820K')],

 [('10%', '176288K', '40820K')],

 [('12%', '179376K', '40904K')]]

>>>

#输入百度贴吧地址，及当期目录将要新建的文件夹名称。即可下载并存入新建文件夹中。

#算是自己这几天来写的第一个小程序吧。不过程序还存在几个bug

#比如：url地址不合法，同名的文件夹已经存在等问题没有处理

#其中只有：url地址匹配用到了一点re的内容。

#说实话，Python真是简单，你所想要的功能基本都有了！！！

#还小有成就感呢，(^__^) 嘻嘻……

 

#coding:utf-8

 

import urllib

import re

import os

 

def getHtml(url):

    page = urlliburlopen(url)

    html = pageread()

    return html

 

def getImg(html):

    reg = r'src="(

\jpg)"'

    imgre = recompile(reg)

    imglist = refindall(imgre,html)

    return imglist

 

def main():

    url = r'

    url = str(raw_input('input the url : '))

    forder = r'test'

    forder = str(raw_input('input the forder name : '))

    osmkdir(forder)

    html = getHtml(url)

    count = 0

    for imgurl in getImg(html):

        count += 1

        print imgurl

        urlliburlretrieve(imgurl,'%s/%sjpg' % (forder,count))

    print 'total saved : %s pictures to : %s ' % (forder,count)

 

if __name__ == '__main__':

    main()

类似的一个正则，加个括号就选出来了。

那是因为正则表达式r'a(+)b|wz's和sd的结果在第一捕获组中,而wz在第0捕获组中,所以你要不然把wz也用小括号括起来r'a(+)b|(wz)'这样分别取第一和第二捕获组的数据,要不然你用r'(<=a)+(=b)|wz 前向预搜索(<=)和后向预搜索(=)这样没有捕获组,结果都在第0捕获组中

完整的两种方法的Python程序如下

#!/usr/bin/python 

import re

text='asb,fasdbwz'

u=r'a(+)b|(wz)'

result = refindall(u,text)

for i in range(0,len(result)):

 if result[i][0]=='':

  print(result[i][1])

 else:

  print(result[i][0])

运行结果

s

sd

wz

第二种方法

#!/usr/bin/python 

import re

text='asb,fasdbwz'

u=r'(<=a)+(=b)|wz'

result = refindall(u,text)

for i in range(0,len(result)):

 print(result[i])

运行结果

s

sd

wz

以上就是关于在Python中如何用正则表达式提取xml中的<p>之间的内容全部的内容，包括:在Python中如何用正则表达式提取xml中的<p>之间的内容、python之re提取字符串括号内的内容、如何在python中使用正则表达式提取每行中需要的信息等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！