Python正则提取特定字符串间内容（网页爬取场景）求助

嘿，我来帮你搞定这个提取WORD的问题！从你的描述来看，你需要从爬取的文本里提取/profile/pc/和/matches之间的内容，这种固定格式的字符串提取用正则表达式是最方便的，大概率是之前的正则写法有问题导致没输出。

核心解决方案：用正则表达式精准匹配 #

我给你写个直接能用的示例代码，你可以根据自己的实际情况调整：

import re

# 假设这是你爬取到的所有文本内容
crawled_text = """
href= /profile/pc/Alice/matches
href="/profile/pc/Bob/matches"
无关文本内容
href= /profile/pc/Charlie/matches?param=123
"""

# 定义正则模式：匹配/profile/pc/和/matches之间的任意内容（非贪婪匹配）
pattern = r'/profile/pc/(.*?)/matches'
# 提取所有符合条件的结果
word_list = re.findall(pattern, crawled_text)

print(word_list)
# 输出结果：['Alice', 'Bob', 'Charlie']

关键细节说明 #

• (.*?)是非贪婪匹配，它会尽可能少地匹配字符，确保只提取两个标记之间的内容，不会把多个结果连在一起（如果用.*贪婪匹配，可能会把第一个/profile/pc/到最后一个/matches之间的所有内容都算成一个结果，导致提取错误）。
• 如果你的文本里href带有引号（比如href="xxx"）或者额外参数（比如/matches?xxx），上面的正则依然能正常工作，因为它只关注/profile/pc/和/matches这两个固定标记。

排查你之前没输出的可能原因 #

1. 正则模式错误：比如用了贪婪匹配.*，或者没正确定位到两个标记的位置；
2. 文本遍历问题：如果你的爬取内容是按行存储的列表，需要循环每一行单独匹配，而不是直接对整个列表用findall。这种情况可以用下面的代码：

import re

# 假设爬取内容是按行存储的列表
crawled_lines = [
    'href= /profile/pc/Alice/matches',
    '这是一行无关文本',
    'href="/profile/pc/Bob/matches"'
]

word_list = []
pattern = r'/profile/pc/(.*?)/matches'

for line in crawled_lines:
    # 检查当前行是否匹配模式
    match_result = re.search(pattern, line)
    if match_result:
        # 提取分组里的内容（也就是WORD）
        word_list.append(match_result.group(1))

print(word_list)
# 输出：['Alice', 'Bob']

3. 文本格式差异：如果爬取的文本里/profile/pc/或/matches有大小写差异（比如/Profile/PC/），可以在正则里加上re.IGNORECASE参数，比如re.findall(pattern, crawled_text, re.IGNORECASE)。

你可以把自己的爬取文本代入上面的代码试试，应该就能得到想要的列表啦！

内容的提问来源于stack exchange，提问作者user9461206