Python 正则表达式：找到一个字符串，然后向后看

我对regex不熟悉，所以我希望这不是一个太明显的问题

我在craigslist公寓列表的html中查找邻居。这个社区是这样列出的

(castro / upper market)
</h2>

（卡斯特罗/高端市场）

这里是一个html的例子

<a class="backup" disabled="disabled">&#9650;</a>
<a class="next" disabled="disabled"> next &#9654;</a>
</span>

</section>

<h2 class="postingtitle">
<span class="star"></span>
&#x0024;5224 / 2br - Stunning Furnished 2BR with Hardwwod Floors &amp; Newly  renovated Kitchen (pacific heights)
</h2>
<section class="userbody">
<figure class="iw">


<div class="slidernav">
    <button class="sliderback">&lt;</button>
    <span class="sliderinfo"></span>
    <button class="sliderforward">&gt;</button>

和#9650；
下一个▶；
$；5224/2br-带硬木地板和；新装修厨房（太平洋高地）

这应该可以找到所有不同的社区

但是在一整页html上花费的时间太长了

\w+\s?(\/)?\s?\w+\s?(\/)?\s?\w+\s?(\/)?\s?\w+\)\n<\/h2>

# \w+ to find the word 
# \s?(\/)?\s? for a space or space, forward slash, space
# \n<\/h2> because </h2> is uniquely next to the neighborhood in the html

\w+\s？（\/）？\s？\w+\s？（\/）？\s？\w+\s？（\/）？\s？\w+\）\n
#\w+查找单词
#\s？（\/）？\s？对于空格或空格，正斜杠，空格
#\n因为在html中唯一地位于邻居旁边

有办法找到吗

</h2>

然后在后面查找邻近的文本字符串

---

非常感谢您的帮助或指导我朝着正确的方向前进

使用HTML解析器提取标题（

h2

标记内容），然后使用正则表达式提取邻域（括号内的文本）

示例（使用）：

打印太平洋高地

请注意

\（.*？）$

正则表达式-它将包含字符串结尾前括号内的所有内容

---

使用，您可以在一行中求解它，因为

Selector

s具有。“刮壳”中的示例：

---

另请参见不应将正则表达式用于HTML解析的100个原因：

---

假设您的HTML存储在名为

page

的变量中，该模式如何

re.findall("\(([^\(\)]+)\)\n<\/h2>", page)

---

如果每页只有一个位置，

re.search（）。请记住，
search（）
生成一个中间匹配对象，而不是字符串本身。
使用string.find查找正则表达式索引，然后返回该索引处的负值

 In [1]: import re

 In [2]: c = "123456</h2>7890"

 In [3]: x = c.find("</h2>")

 In [4]: print c[x-6:x]
 123456

[1]中的
：导入re
在[2]中：c=“1234567890”
在[3]中：x=c.find（“”）
在[4]中：打印c[x-6:x]
123456
对html使用正则表达式不是一个好主意（）。使用合适的工具，例如。谢谢，但这样会在一些主题上抓取太多的文本，这意味着在你想要避免的地方有一个较早的左括号。我正在修正模式以适应这种情况。你可能是对的，目前需要6秒钟来浏览大约5000个列表，到目前为止拿出了大约20个功能。当我有时间重做所有的工作时，我会仔细看看这个it@DavidFeldman当然，开始研究scrapy，并通过一个包含爬行器、项目和管道的scrapy项目来组织和模块化您的代码。实际上，解析HTML和从（web）页面提取内容并不完全是一回事。虽然您不应该用正则表达式解析HTML，但对于这种特殊情况，使用精心编制的RE进行提取可能要快一个数量级以上，我敢打赌。@fnl如果我们讨论的是从单个页面提取文本的速度，那么这就是问题所在。可读性、复杂性、可靠性等如何？有一些特定的格式和专门的工具专门用来解析这些格式，经过大量用户的测试和使用，证明是有效的。@alecxe-Hehe，当然可以。我很欣赏你对这件事突然采取的胡塞尔式的态度：）
re.findall("\(([^\(\)]+)\)\n<\/h2>", page)

re.findall("\(([^\(\)]+)\)\s*\n\s*<\/h2>", page)

neighborhoods = re.compile( "\(([^\(\)]+)\)\s*\n\s*<\/h2>")

# somewhere else, for each page 
for nh in neighborhoods.findall(page):
    print(nh)

pacific heights

 In [1]: import re

 In [2]: c = "123456</h2>7890"

 In [3]: x = c.find("</h2>")

 In [4]: print c[x-6:x]
 123456