使用正则表达式从段落中获取地址

Question

好吧，这个有点痛。我正在用 Python 进行一些抓取，试图从几行标记不佳的 HTML 中获取地址。以下是格式示例：

256-555-5555<br/>
1234 Fake Ave S<br/>
Gotham (Lower Ward)<br/>

我只想检索 1234 Fake Ave S, Gotham。有什么想法吗？我整晚都在做正则表达式，现在我的大脑很混乱......

编辑： 有关数据如何到达的可能场景的更多详细信息。有时第一行会出现，有时则不会。我见过的所有地址都包含 Ave、Way、St，尽管我不想将其用作选择的因素，因为我不确定它们将始终如此。第二行和第三行是 alPhone （或可能的电子邮件或网站）：

我想到的是

1. 选择第二行到最后一行上的所有内容（因此，如果有三行，则选择第二行，如果只有两行，则选择第一行）电话号码）。
2. 选择最后一行中不在括号中的所有内容。
3. 将倒数第二行和最后一行合并，在两者之间添加“，”。

我正在使用 Scrapy 来获取 HTML 代码。地址都在同一个 div 中，我想使用正则表达式将数据进一步分解为适当的部分。现在我无法弄清楚如何做到这一点。

Edit2：

根据 Ofir 的评论，我应该提到我已经制作了表达式来隔离电话号码和括号部分。

电话（或可能的电子邮件或网站）：

((1[-. ])?[0-9]{3}[-. ])?\(?([0-9]{3}[-. ][A?([0-9]{4})|([\w\.-]+@[\w\.-]+)|(www.+)|([\w\.-]*(?:com|net|org|us))

括号：

\((.*?)\)

我不确定如何使用它们来构建除这些以外的所有内容的声明。

Answer 1

在您的情况下，可能更容易关注您不想要的内容：

• html 标签 (
)
• 电话号码
• 括号中的所有内容

每个都可以轻松地与简单的正则匹配表达式，可以轻松构造一个表达式来匹配其余表达式（大概是地址）

Answer 2

这试图将最后两行与字符串隔离：

>>> s="""256-555-5555<br/>
... 1234 Fake Ave S<br/>
... Gotham (Lower Ward)<br/>
... """
>>> m = re.search(r'((?!</br>).*)<br/>\n((?!</br>).*)<br/>$)', s)
>>> print m.group(1)
1234 Fake Ave S

修剪括号可能最好留给单独的代码行，而不是使正则表达式进一步复杂化。

Answer 3

据我了解您的问题，我认为您解决问题的方法是错误的。

正则表达式并不是一种神奇的工具，可以从一堆无差别的文本元素中提取相关数据。它是一种工具，只能从具有可变部分的文本中提取数据，但也可以作为可变部分相对定位的锚点的最小稳定结构。

在您的处理中，在我看来，您首先隔离了这部分，其中包含可能的电话号码，后跟 1/2 行上的地址。但这样做，你会丢失信息：之前和之后是锚定信息，你不应该试图在消除这些信息后获得的剩余部分中找到某些东西。

此外，我认为您不仅仅只想获取电话号码和地址：您可能想提取此部分之前和之后的其他信息。通过形状良好的正则表达式，您可以一次捕获所有片段。

因此，请提供更多的文本，在有限的部分之前和之后都有足够的字符，以便编写正确且更简单的正则表达式策略来捕获您想要的所有数据。 Triple已经问过你这个问题了，而你没有，为什么？