如何用Python正则表达式从HTML行中提取行星名称？

算力阿峰

2026-7-5

问题描述

我从HTML文件中得到了如下代码行：

src="https://www.com/seek-images/seek-icons/horoskop-pluto.gif" alt="" />Pluto</div>\n

我尝试用Python正则表达式提取其中的Pluto（或任意行星名称），使用[\w]+作为正则的代码如下：

match = re.search(regexeg, line)
if match:
        print "begin"
        print match.groups()
        for group in match.groups():
                print ('{} '.format(group))

但匹配组始终为空，求解决办法。

解决方案

问题核心有两点：

[\w]+没有定义捕获组，match.groups()只会返回捕获组内容，无括号包裹就不会有结果。
目标行星名在两处出现（文件名里的小写pluto、标签后的Pluto），需要针对性匹配。

以下是几种实用的提取方案：

提取标签后的行星名称（如示例中的Pluto）

匹配/>*与*</div>之间的单词，正则需包含捕获组：

import re

line = 'src=\"https://www.com/seek-images/seek-icons/horoskop-*pluto.gif*\" alt=\"\" />*Pluto*&lt;/div&gt;\n'
regex = r'/\>\*(\w+)\*\<\/div'
match = re.search(regex, line)
if match:
    print(match.group(1))  # 输出 Pluto

提取文件名中的行星名称（如示例中的pluto）

匹配horoskop-*与.gif*之间的内容：

import re

line = 'src=\"https://www.com/seek-images/seek-icons/horoskop-*pluto.gif*\" alt=\"\" />*Pluto*&lt;/div&gt;\n'
regex = r'horoskop-\*(\w+)\.gif'
match = re.search(regex, line)
if match:
    print(match.group(1))  # 输出 pluto

通用匹配所有可能的行星名称

如果需要同时提取两处的名称，可匹配所有被*包裹的单词（含文件名内的）：

import re

line = 'src=\"https://www.com/seek-images/seek-icons/horoskop-*pluto.gif*\" alt=\"\" />*Pluto*&lt;/div&gt;\n'
matches = re.findall(r'\*(\w+)\*(?:\.gif)?', line)
# 去重后输出
for name in set(matches):
    print(name)