Pythonの「re」モジュールが機能していませんか？

Question

次のように私はPythonの「再」モジュールを使用しています：

request = get("http://www.allmusic.com/album/warning-mw0000106792") 
print re.findall('<hgroup>(.*?)</hgroup>', request) 

私がやっているすべてはthis siteのHTMLを取得し、コードのこの特定のスニペットを探しています：

<hgroup> 
    <h3 class="album-artist"> 
     <a href="http://www.allmusic.com/artist/green-day-mn0000154544">Green Day</a>  </h3> 

    <h2 class="album-title"> 
     Warning  </h2> 
</hgroup> 

しかし、空の配列を出力し続けます。どうしてこれなの？なぜこのスニペットを見つけられないのですか？

Answer 1

あなたが解析しているHTMLが複数の行にあります。あなたはこのようなfindallにre.DOTALLフラグを渡す必要があります：

print re.findall('<hgroup>(.*?)</hgroup>', request, re.DOTALL) 

これは改行にマッチ.することを可能にし、正しい出力を返します。

@jsalonenはもちろん、正規表現でHTMLを解析するのは難しい問題です。しかし、このような小規模なケースでは、特にワン・オフ・スクリプトの場合、受け入れ可能だと言います。

Answer 2

reモジュールが壊れていません。あなたが遭遇する可能性があるのは、すべてのHTMLを簡単な正規表現と簡単にマッチさせることができないという事実です。

代わりに、BeautifulSoupのような実際のHTMLパーサを使用してHTMLを解析してみてください。

from BeautifulSoup import BeautifulSoup 
from requests import get 

request = get("http://www.allmusic.com/album/warning-mw0000106792") 
soup = BeautifulSoup(request.content) 
print soup.findAll('hgroup') 

または代わりに、pyqueryで：

from pyquery import PyQuery as pq 

d = pq(url='http://www.allmusic.com/album/warning-mw0000106792') 
print d('hgroup')