对网站源码使用正则式的疑问？

[explist]

网站： http://sou.kuwo.cn/ws/NSearch?type=all&catalog=yueku2016&key=%E6%B1%AA%E5%B3%B0
要求：爬取其上的歌曲 ID ，歌名，歌手名
我写了个太难看了,如何写得更优雅点，或其它更好的方法
pat = re.compile(r'<p class="m_name">\s+<a href=".+?(\d+)/"\s*title="(.+?)".+?\s+.+?\s+.+?\s+.+?\s+.+?\s+?<p class="s_name".+?title="(.+?)"><')
res = pat.findall(html.read().decode())
另外：如何插入图片啊这里，代码也很乱

源码示例：
<li class="clearfix">
<p class="number"><input type="checkbox" checked="checked" name="musicNum" value="122560" mid="122560" />01</p>

<p class="m_name">
<a href="http://www.kuwo.cn/yinyue/122560/" title="怒放的生命" target="_blank">
<script>document.write("怒放的生命".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script>
</a>
</p>
<p class="a_name"><a href="http://www.kuwo.cn/album/7985/" title="怒放的生命" target="_blank"><script>document.write("怒放的生命".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script></a></p>
<p class="s_name"><a href="http://www.kuwo.cn/mingxing/%E6%B1%AA%E5%B3%B0/" target="_blank" title="汪峰"><script>document.write("汪峰".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script></a></p>
<p class="listen"><a href="http://player.kuwo.cn/MUSIC/MUSIC_122560" title="怒放的生命试听" target="_blank"></a></p>
<p class="video"><a href="http://www.kuwo.cn/mv/122560/" title="怒放的生命 MV" target="_blank"></a></p>
<p class="share"><a href="javascript:void(0);" onclick="showShareMusic(this,'怒放的生命','','122560')" title="分享"></a></p>
<p class="down"><a href="javascript:void(0);" title="怒放的生命下载" onclick="showDownMusic2014('MUSIC_122560');"></a></p>
</li>

[fy]

比较复杂的 html 就使用 lxml
而且说实话这种东西没什么复杂不复杂的，挂了就修，忘记了就重写，一个正则能顶个十天半个月的，你管他好不好看

[just1]

value="(\d+)"[\s\S]*(:?"(:?s|a)_name"[\s\S]*?title="(.*)?"){2}
难看，但是短了点

[qqmishi]

这种可以试试用 bueatifulsoup 解析
我的正则写的比你的更难看，但又不是不能用对吧，，，自用就懒得管优雅不优雅了

[icybee]

bs,pyquery?

[ayaseangle]

用 xml 解析方便。。。。

[skydiver]

大忌就是用正则匹配 html

[binux]

html 不是正则语言，不符合正则文法
不要用正则解析 html ！
不要用正则解析 html ！
不要用正则解析 html ！

[aprikyblue]

嗯。。楼上说的很清楚了。
会有各种坑
当然，如果是那种自己用几次就扔的，那当没说

[TangMonk]

用 xpath 嘛

[donghouhe]

@binux 大牛，膜拜中.....终于见到活的了

[chairuosen]

pyquery

[explist]

哪种方式速度快一点？我的正则实在是太慢了！ OMGD

[explist]

好多都要生成树，而正则表达式写的好的话，会快一些？

[jackal]

抛开立场之分
（立场之分是指有人要让正则表达式做不该它做的事情，比如解析任意复杂的 html 等）

题主的问题是：希望从数个固定格式的网页数据中抓取固定模式的数据段。 我的意思是，前提条件是 kuwo 的歌曲网页数据都很固定，而且网页中关于歌曲 id ，歌曲名称，歌手名称，都是固定的模式数据（ class=“ number ”， class=“ name ” ， class=“ s_name ”）

这样，我觉得一个简单的实现，是可以用正则表达式来解析 /抓取数据的。

题主的正则表达式已经可以了，只是 3 点还有问题：
1 ）应该遵从 class=“ number ”， class=“ name ” ， class=“ s_name ”的格式来抓取对应的数据，而不是从其他地方去获取（以后就算页面改版，很可能 class 的名字和对应数据是不会改变的）

2 ）让.*能够匹配换行，这样你的正则表达式中+?\s+.+?\s+.+?\s+.+?\s+.+?\s+?就不要再出现了。

3 ）为提高效率，尽量使用普通字符串（ plain text ）匹配，少用.*+?等符号

[N4HS3zwwKs7wira0]

https://www.zhihu.com/question/25409843/answer/95909239

[jackal]

@explist
快还是慢，数据说话。（你可以优化正则表达式，或者再用其他的第三方库 parser 来写一个，然后做一个时间比较， 希望你贴上一个比较数据）

正则表达式并不慢，只要用对地方。

[xiamx]

Html 是 Context Free Grammar ，不是 Regular Language 所以不能被 Regular expression 识别

[explist]

@jackal 说得太好了，胜读十年书啊
能不能写个示范出来？

[explist]

@jackal 贴 个比较数据对新手来说要求有点高啊，以上所说的第三方库都没学习过，还要从头来，只知道一个自带的：
html.parser.HTMLParser

[N4HS3zwwKs7wira0]

@jackal Regex 不加奇怪的语法是 O(n). Suffix array 可以 O(m), m 是 query string length ， n 是 text length 。但现在 Regex 语法太杂，如果不能用 DFA model ，复杂度很容易 blow up.