python正则表达式：html

我有一个html文件，其中包含一行：

a = '<li><a href="?id=11&amp;sort=&amp;indeks=0,3" class="">H</a></li>'

我得到了预期的输出：

['?id=11&sort=&indeks=0,3']

但是，当我向模式中添加“I”时，如下所示：

re.findall(r'href="?i(\S+)"', a)

我得到：

[ ]

陷阱在哪里？

---

提前谢谢。

问题是，

？

有特殊的含义，没有按字面意思匹配

要修复此问题，请更改您的正则表达式，如下所示：

re.findall(r'href="\?i(\S+)"', a)

---

否则，

？

将被视为应用于

“

”的可选修改。这碰巧起作用（偶然）在第一个示例中，但在第二个示例中不起作用。

我个人认为Python内置的HTMLPasser对于此类情况非常有用。我认为这一点也不过分——我认为它比正则表达式更具可读性和可维护性

>>> class HrefExtractor(HTMLParser.HTMLParser):
...     def handle_starttag(self, tag, attrs):
...         if tag == 'a':
...             attrs = dict(attrs)
...             if 'href' in attrs:
...                 print attrs['href']
... 
>>> he = HrefExtractor()
>>> he.feed('<a href=foofoofoo>')
foofoofoo

类HrefExtractor（HTMLParser.HTMLParser）： …def handle_starttag（self、tag、attrs）： …如果标记=='a'： …attrs=dict（attrs） …如果属性中的“href”： …打印属性['href'] ... >>>he=HrefExtractor（） >>>他。喂（“”） 福福

---

这里的要点是，

？

在正则表达式中有一个特殊的含义，它定义了任何内容的零次或一次出现。因此，如果您想从

标记中获取href值，应该使用-

re.findall(r'href="(\?\S+)"', a)

而不是

re.findall(r'href="?(\S+)"', a)

---

因此，如果你没有使用？的特殊含义，你应该像

\？

那样避开它，或者像

ab？

那样使用它，表示a或b。你使用？的方式是不正确的。

你应该使用解析器而不是正则表达式。虽然上面的链接对于解析HTML肯定是正确的，但问题是要找到包含

href=--对于正则表达式IMHO来说，这是一项非常简单的任务。相反，在这里使用HTML解析器可能被认为是过火了。感谢您指出我的错误。但是我确实需要搜索我已经从其他地方提取的模式，因此手动更改模式会很耗时。有没有办法让python忽略不计”？“图案中的字符（以及其他具有特殊意义的字符）？@priilane:是的，首先转义图案。
re.findall(r'href="?(\S+)"', a)