编写 Python RegEx 以选择 HTML 中列表项的子集

Question

我有一个文件夹的网络索引视图...

<ul><li><a href="/sustainabilitymedia/pics/s5/"> Parent Directory</a></li> 
<li><a href="n150850_.jpg"> n150850_.jpg</a></li> 
<li><a href="n150850_ss.jpg"> n150850_ss.jpg</a></li> 
<li><a href="n150850q.jpg"> n150850q.jpg</a></li> 
<li><a href="n150858_.jpg"> n150858_.jpg</a></li> 
<li><a href="n150858_ss.jpg"> n150858_ss.jpg</a></li> 
<li><a href="n150858q.jpg"> n150858q.jpg</a></li> 
<li><a href="n150906_.jpg"> n150906_.jpg</a></li> 
<li><a href="n150906_ss.jpg"> n150906_ss.jpg</a></li>
...

这个列表不胜枚举。我的目标是仅获取以 _ss.jpg 结尾的列表项，以便我可以渲染结果并将其很好地显示在页面上进行演示。

我可以使用 BeautifulSoup 抓取页面，但从那里，我不确定如何仅过滤掉与特定模式匹配的列表项。该页面位于基本身份验证后面，我在之前有关 BeautifulSoup 的问题中已经解决了该问题。我也很高兴不使用它。

有什么想法吗？

Answer 1

您可以使用正则表达式执行 findAll()，例如 soup_object.findAll('a', {'href': re.compile('.*_ss\.jpg')})。

Answer 2

布伦特说得完全正确；为他这么快+1。

我已经制定了一个例子，所以我想无论如何我都会发布（无需对此进行投票）：

>>> from BeautifulSoup import BeautifulSoup as bs
>>> from pprint import pprint
>>> import re
>>> markup = '''
... <ul><li><a href="/sustainabilitymedia/pics/s5/"> Parent Directory</a></li>
... <li><a href="n150850_.jpg"> n150850_.jpg</a></li>
... <li><a href="n150850_ss.jpg"> n150850_ss.jpg</a></li>
... <li><a href="n150850q.jpg"> n150850q.jpg</a></li>
... <li><a href="n150858_.jpg"> n150858_.jpg</a></li>
... <li><a href="n150858_ss.jpg"> n150858_ss.jpg</a></li>
... <li><a href="n150858q.jpg"> n150858q.jpg</a></li>
... <li><a href="n150906_.jpg"> n150906_.jpg</a></li>
... <li><a href="n150906_ss.jpg"> n150906_ss.jpg</a></li>'''
>>> soup = bs(markup)
>>> pprint(soup.findAll(href=re.compile('_ss[.]jpg
祝那些庆祝感恩节的人快乐。
)))
[<a href="n150850_ss.jpg"> n150850_ss.jpg</a>,
 <a href="n150858_ss.jpg"> n150858_ss.jpg</a>,
 <a href="n150906_ss.jpg"> n150906_ss.jpg</a>]

祝那些庆祝感恩节的人快乐。

Answer 3

我会使用类似的东西

data = data.split("\n")
data = filter(x : x.find("_ss.jpg") >= 0,data)
data = map(lambda x: re.match("(?<=<href=)\".*_ss\.jpg\"(?=>)",x),data)

应该生成一个以 _ss.jpg 结尾的名称列表。