求问针对 html 标签<em>的正则表达式的写法。。。

[pppguest3962]

实在写不出来，你看我都发贴求问了。。。。喵~

<em class="xyz ">utxu2zy</em>

求两种写法， 目的只有一个：匹配 em 标签区段的内容，

内容有可能什么字符（包括全半角或者制表符、回车什么的）都可能会有

1、确定是 class 属性绝对是"xyz "，z 后面有空格的正则匹配写法？

2、class 属性无法确定，属性的内容也是什么英文数字都有可能，的正则匹配写法？

[yanaraika]

1. html 文法理论上无法用非魔改正则匹配
2. 用条件引用之类的魔改正则可以做到，随便搜一下就有 http://www.imkevinyang.com/2009/07/%E4%BD%BF%E7%94%A8%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E5%8C%B9%E9%85%8D%E5%B5%8C%E5%A5%97html%E6%A0%87%E7%AD%BE.html
3. 但 2 的写法又臭又长，为什么不丢进 beautifulsoup 里用 CSS selector

[lazyboy]

<(em)[^>]*?class="xyz\s"[^>]*?>[^<]*?<\/\1>

[leafiy]

.$? 加上 em ？

[lazyboy]

<(em)[^>]*?>[^<]*?<\/\1>

[des]

同一楼，不要用正则
爬虫用正则很容易出问题，并且正则也难写，一旦碰到问题就傻眼了，根本没法改和维护。除非就只用一次，根本不用维护
同一楼，老老实实用 Beautiful Soup 不行吗？

[jjplay]

不要死盯着这个 class，可以从他的父级 class 来定位

[simoncc]

用 lxml 吧，解析速度快，使用也方便，控制台选中元素右键 copy xpath 即可

[delectate]

>>> import re
>>> a='<em class="xyz ">utxu2zy</em>'
>>> re.findall(r'<em class="xyz.?">(.*)<\/em>',a, re.I)
>>> a='<em class="xxxxx">utxu2zy</em>'
>>>>>> re.findall(r'<em class=".*">(.*)<\/em>',a, re.I)