如何在Python中用regex从带空格的网页爬取字符串中提取子串？

原有代码失败原因 #

你写的正则规则中使用了|作为匹配分隔符，但目标字符串中不存在该字符，同时匹配规则和目标内容的结构完全不匹配，因此无法得到正确结果。

最优实现代码 #

import re
import pandas as pd

# s = 你爬取得到的待处理长字符串
s = """\n    display:block\u0022\u003E\n                                  div class= span_6\u0022\u003E\n                                     li class=\u0022borderbottom padleft pad20 nomargin\u0022\u003E\n   span\u003E1. XXXXXXXX\/span\u003E\n                                strong class=\u0022floatright\u0022\u003EAAAAAAAA\/strong\u003E\n       \/li\u003E\n                                                        li class=\u0022borderbottom padleft pad20 nomargin\u0022\u003E\n   span\u003E2. YYYYYYYY\/span\u003E\n                                strong class=\u0022floatright\u0022\u003EBBBBBBBB\/strong\u003E\n"""

# 提取键列表list1
pattern_key = r'span\u003E\d+\.\s(.*?)\/span'
list1 = re.findall(pattern_key, s)

# 提取值列表list2
pattern_value = r'strong class=\u0022floatright\u0022\u003E(.*?)\/strong'
list2 = re.findall(pattern_value, s)

# 生成你需要的字典格式
res_dict = dict(zip(list1, list2))

# 存入DataFrame，可根据实际需求调整列名
df = pd.DataFrame({
    '字段名称': list1,
    '字段值': list2
})

# 测试输出
print(list1)
print(list2)
print(res_dict)
print(df)

调整说明 #

如果你的待处理字符串已经完成了Unicode转义解码，可将正则里的\u003E替换为>，\u0022替换为"即可正常匹配。

内容的提问来源于stack exchange，提问作者nununu