漂亮的Soup get_text()正则表达式输出

Question

我正试图从一个网页中提取一些信息。我使用美汤的get_text方法获取文本，但是当我试图通过正则表达式传递该文本时，不会返回任何内容。

import urllib2
from bs4 import BeautifulSoup
import re

url = "http://www.somesite.com"
page = BeautifulSoup(urllib2.urlopen(url))
info = {}
info['description'] = page.get_text()
print info['description'] #this works fine
print re.match(r'.',info['description'],re.UNICODE).group()

什么都不回。

Answer 1

好的，这可能是正在发生的事情(但是我还没有检查是否真的是这样，因为我的机器上没有Python 2，无法在Python 3中复制它)。如果您查看re.match的docs，您会发现它是这样的：

re.match(模式，字符串，flags=0) 如果字符串开头的零个或多个字符与正则表达式模式匹配，则返回相应的MatchObject实例。如果字符串与模式不匹配，则返回None；注意，这与零长度匹配不同。

要点：re.match只在字符串的开头匹配。

接下来，点字符.

'.' (点)在默认模式下，这将匹配除换行符以外的任何字符。如果指定了DOTALL标志，这将匹配包括换行符在内的任何字符。

因此，.不匹配换行符。这就是问题所在--如果info['description']以换行符开头，您将得不到匹配。

您应该做的是使用re.search或将re.DOTALL标志传递给re.match。