[已解决]求助！关于python爬虫中正则表达式re.compile()的问题

LLLLoik

最近在做大作业时碰到了问题，大作业的内容是爬取全校老师的个人信息，遭遇的问题如下
大部分老师的主页html中是这样写的
<p>毕业院校：某某大学<p\>
但是有的老师是这么写的
<p><small>毕业院校：某某大学<small><p\>
我在re.compile()中应该如何表示<small>这个整体出现一次或零次？一般的正则表达式中可以用(<small>)?表示，但是compile中()代表要取的元素。。。我就不知道该用什么符号表示了，查了一圈也没查到相关信息，所以我现在是这么写的
大佬们帮帮忙吧，谢谢啦

最佳答案

月排行榜 / 总排行榜

suchocolate

2021-12-11 15:23:09

import re

s = '''
111
<p>毕业院校：A大学</p>
<p>毕业院校：B大学</p>
<p><small>毕业院校：C大学</small></p>
<p>毕业院校：D大学</p>
222
<p>毕业院校：E大学</p>
<p><small>毕业院校：F</small></p>
<p>毕业院校：G大学</p>
333
'''


result = re.findall(r'<p>(?:<small>)?(.*?)(?:</small>)?</p>', s)
print(result)

另外html结束标签是斜杠，且在元素前头。

跳转到最佳答案楼层

suchocolate

import re

s = '''
111
<p>毕业院校：A大学</p>
<p>毕业院校：B大学</p>
<p><small>毕业院校：C大学</small></p>
<p>毕业院校：D大学</p>
222
<p>毕业院校：E大学</p>
<p><small>毕业院校：F</small></p>
<p>毕业院校：G大学</p>
333
'''


result = re.findall(r'<p>(?:<small>)?(.*?)(?:</small>)?</p>', s)
print(result)

另外html结束标签是斜杠，且在元素前头。

阿奇_o

这是"有的老师"写的？HTML标签都写错了，

>>> s = '<p><small>毕业院校：某某大学</small></p>'
>>> print(re.search('<p><small>(.*?)</small></p>', s).group(1))
毕业院校：某某大学
>>> 

LLLLoik

suchocolate 发表于 2021-12-11 15:42
另外html结束标签是斜杠，且在元素前头。

啊抱歉抱歉，没学过html，我只记得个大概，标签写错了，我想再问问(?:<small>)?中的(?:是什么意思？学校没教过爬虫，都是自学，学艺不精

LLLLoik

标签是我记错了

suchocolate

LLLLoik 发表于 2021-12-11 16:32
啊抱歉抱歉，没学过html，我只记得个大概，标签写错了，我想再问问(?:)?中的(?:是什么意思？学校没教过爬 ...

import re

s = '''aaabbbccc
aaaeeeccc
aaahhhccc'''


result = re.findall(r'aaa(eee)ccc', s)  # ()是组，这样匹配后默认只显示组内内容，不显示组外的内容
print('捕获组：', result)

result = re.findall(r'aaa(?:eee)ccc', s)  # 非捕获组，组外也显示
print('非捕获组：', result)

小甲鱼的帖子，非捕获组：https://fishc.com.cn/thread-57317-1-3.html