Python 美丽的汤和正则表达式

我用美丽的汤来识别一个特定的标签和它的内容。内容是html链接，我想提取这些标签的文本

问题是文本根据特定的模式由不同的数字组成。我只对诸如“6193J0417”和“61991 1CJ0316”这样的数字感兴趣，当中间有“J”和“CJ”时，我需要ReGEXP来匹配。p> 我使用此代码实现了以下目标：

soup.find_all(text=re.compile('[6][1-2][0-9]{3}[J]|[CJ][0-9]{4}'))

soup变量是特定标记的内容。此代码在10种情况中有9种情况下有效。但是，当我在我的一个源文件上运行此脚本时，它还匹配诸如“51987PC0716”之类的数字

我不明白为什么我向你求助

IIUC，你的字符串中总是有一个“J”。 因此，使用问号将其设置为强制性，并将“C”设置为可选。 比如：

re.compile('6[1-2][0-9]{3}C?J[0-9]{4}')

---

我没有对此进行测试，但您可能可以自己从这里继续。

您没有指定

|

适用于什么；默认情况下，它是整个正则表达式，这意味着您已经要求

[6][1-2][0-9]{3}[J]

（与

6[12][0-9]{3}J

相同）或

（不是

[CJ]

，意思是“C或J”）。使用括号指定备选方案：

^6[12][0-9]{3}(J|CJ)[0-9]{4}$

哪个写得更好

^6[12][0-9]{3}C?J[0-9]{4}$

---

在特定文件中，此正则表达式进行四个错误匹配：51987PC0716、51992PC0405、51992PC0405-C和51992PC0405-A09。如果我将正则表达式更改为“

”^[6][1-2][0-9]{3}[J]|[CJ][0-9]{4}$'

，它只会出现两个错误，并匹配51987PC0716和51992PC0405。

^6[12][0-9]{3}C?J[0-9]{4}$