使用Python和正则表达式在HTML中查找表单

Question

我有下面的代码来检查电子邮件正文中是否有公式内容，但是我不明白这个字符串'<\s?\/?\s?form\s?>'意味着什么，以及是否有另一种方法来检查电子邮件中是否存在公式内容？

这就是我写的代码：

class HTMLFormFinder(FeatureFinder):
    def getFeature(self, message):
        import re
        super(HTMLFormFinder, self).getFeature(message)
        payload = utils.getpayload(message).lower()
        return re.compile(r'<\s?\/?\s?form\s?>', re.IGNORECASE).search(payload)!= None

提前谢谢。

Answer 1

这就是所谓的正则表达式。这是一种匹配遵循特定模式的字符串的方法。

https://docs.python.org/3.7/library/re.html

这里，r'<\s?\/?\s?form\s?>'描述了一个<form> html标记，在出现错误/格式错误的HTML时会出现几个回退，特别是它处理标记名称form旁边可能出现的空白。

检查表单是否存在的一种更好的方法是使用XML/HTML解析器，比如ElementTree、BeautifulSoup，因为它们比正则表达式处理糟糕/不正确的HTML要好得多。但是如果你想保持简单，你所拥有的正则表达式就足够了。

• https://docs.python.org/3.7/library/xml.etree.elementtree.html
• https://www.crummy.com/software/BeautifulSoup/bs4/doc/

使用BeautifulSoup，您可以：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html)
has_form = len(soup.find('form')) > 0

Answer 2

您可以在这里阅读关于正则表达式的更多信息：https://docs.python.org/2/library/re.html

具体来说，\s与任何空格字符匹配。