Python正则表达式无法捕获全部时长数据（Python3.6+Scrapy）

你的问题核心在于网页里Length:后的空格数不一致——短时长对应两个空格，长时长对应一个空格，导致原正则无法兼容两种场景。我来帮你调整正则表达式，同时搞定两种格式的时长捕获。

问题拆解 #

• 最初的正则(?<=Length:\s\s)[:\d]+硬绑定了两个空格，自然抓不到仅带一个空格的长时长；
• 修改后的(?<=Length:)[:\d\s]+会把Length:后面的空格也纳入匹配范围，所以优先返回空格而非目标时长。

解决方案 #

我们可以让正则兼容Length:后1到2个空格的情况，同时精准捕获纯时长内容（数字+冒号的组合）。推荐两种写法：

写法一：精准匹配1-2个空格

适合确定只有1或2个空格的场景：

length_list = re.findall(r'(?<=Length:\s{1,2})[\d:]+', response.text)

写法二：鲁棒匹配任意空白字符

如果网页里可能出现制表符、多个空格等情况，用这个更灵活：

length_list = re.findall(r'(?<=Length:\s+)[:\d]+', response.text)

正则解释 #

• (?<=Length:\s{1,2})：正向后行断言，定位到Length:后跟着1-2个空格的位置；
• (?<=Length:\s+)：更宽松的断言，匹配Length:后至少一个任意空白字符（空格、制表符都算）；
• [\d:]+：匹配连续的数字和冒号，完美覆盖mm:ss和hh:mm:ss两种时长格式。

完整代码示例 #

import re

# 模拟包含两种时长格式的网页文本
response_text = """
<div>Length:  51:00</div>
<div>Length: 01:08:47</div>
"""

data = {}
length_list = re.findall(r'(?<=Length:\s+)[:\d]+', response_text)
if length_list:
    data['Length'] = length_list[0]
else:
    data['Length'] = '00:00'

print(data['Length'])  # 输出第一个匹配到的时长，如需全部可遍历列表

内容的提问来源于stack exchange，提问作者Angel Chen