Python如何解决按指定起止字符串提取爬取文本内容返回空的问题

问题原因 #

• 默认情况下Python正则的.元字符不匹配换行符（也就是你文本中的\r\n），你的两个匹配关键词中间存在多行换行，所以.*在匹配到第一处换行就会中断，无法匹配到后续的元和四年，返回空列表。
• 你看到的\r\n、\u3000是Python字符串的标准转义表示，实际存储的是对应的回车换行、全角空格字符，不存在额外的反斜杠干扰，不需要提前删除。

解决方案 #

方案1：正则匹配（加换行匹配标志） #

给正则添加re.S（别名re.DOTALL）标志，让.可以匹配包括换行在内的所有字符，建议搭配非贪婪匹配符?避免过度匹配：

import re
# 加r前缀表示正则原始字符串，re.S开启换行匹配
res = re.findall(r'唐會要卷二.*?元和四年', text, flags=re.S)
if res:
    print(res[0])

输出结果和你期望的完全一致。

方案2：字符串切片（更简单，无正则坑） #

如果起止字符串是固定的，直接用索引切片实现更高效，不需要引入正则：

start = text.find("唐會要卷二")
end = text.find("元和四年") + len("元和四年")
if start != -1 and end != -1:
    res = text[start:end]
    print(res)

内容的提问来源于stack exchange，提问作者Kevin Hong