如何使用 findall 打印正则表达式的结果?

Question

Python的正则表达式有点新手，我正在尝试解析下面的数据。

代码

thing = soup.find_all('div', {'class' : 'matchheader'})
thing1 = str(thing)
print(thing1)

给我

1. GSL - <b>Global Ship Lease Inc</b> [N/A] - Matched DCIX from 07/27/16 to 12/01/16
</div>, <div class="matchheader">
2. SBGI - <b>Sinclair Broadcast Group, Inc.</b> [Media] - Matched DCIX from 07/27/16 to 12/01/16
</div>, <div class="matchheader">
3. WSTC - <b>West Corporation</b> [+2] - Matched DCIX from 07/27/16 to 12/01/16
</div>, <div class="matchheader">
4. TGNA - <b>TEGNA Inc.</b> [N/A] - Matched DCIX from 07/27/16 to 12/01/16
</div>, <div class="matchheader">
5. MLI - <b>MUELLER INDUSTRIES INC</b> [Manufacturing] - Matched DCIX from 07/27/16 to 12/01/16

现在为正则表达式

pattern = "([A-Z])[A-Z]{2,5}(?![A-Z])"
match = re.findall(pattern,thing1)
print(match)

我期待的结果是

['GSL', 'SBGI', 'WSTC', 'TGNA', 'MLI']

但我得到的结果是

['G', 'D', 'S', 'D', 'W', 'D', 'T', 'T', 'D', 'M', 'U', 'S', 'I', 'D']

我很确定第二个 D 来自第一行的 DCIX。

那么问题是我正在使用的正则表达式模式，使用re.findall还是print(match)？

任何帮助将不胜感激。

Answer 1

您的正则表达式将匹配每组连续的大写字母，然后只返回每组的第一个字母。相反，您可能打算每行只返回这些组中的第一个。

相反，您可以使用前缀^.*?([A-Z]{2,5})查找行^.*?开头的最短序列(对多行模式使用re.M)，后跟一组大写字母([A-Z]{2,5})(如果有)，然后返回该组。

>>> re.findall("^.*?([A-Z]{2,5})", thing1, re.M)
['GSL', 'SBGI', 'WSTC', 'TGNA', 'MLI']

Answer 2

如果是换行文本，或者为了确保我们得到第二行元素(如果类名为空)，我建议检查行开头的数字是否存在，并使用以下正则表达式：

r"^[0-9]+[^w]+([A-Z]{2,5})"

Answer 3

我不完全确定，但也许你想要的是soup.text？ 即：

for item in thing:
thing1=item.text
print(thing1)

但是，我会这样做：

thing=soup.select('div.matchheader') #returns a list of divs that have a css class 'matchheader'
thing1_list=[]
for item in thing:
thing1_list.append(item.getText())

希望有帮助