[D]匹配html源码时遇到的正则匹配有关问题

[D]匹配html源码时遇到的正则匹配问题
从一段html中往出挖掘数据，想得到正文，现在已经把代码导入字符串content中
我的思路是，先去除content中的无用空格字符，然后根据<br />与</p>进行分割，用re.split()，返回结果存在text列表中

若现在去除无用空格后
content='<DIV class=bt_content><P align=left><p style="text-align: center"><span style="color: #ff0000">供稿：</span><span style="color: #0000ff">宇航学院&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <span style="color: #ff0000">摄影、编辑：</span>新闻中心 斯君<br /><br /><img height="382" alt="" width="640" src="../../images/content/2012-02/20120227105158781316.jpg" /></span>&nbsp;</p>'
我的代码如下：

Python code

text = re.split('<br />|</p>',content)

此时text[0]='<DIV class=bt_content><P align=left><p style="text-align: center"><span style="color: #ff0000">供稿：</span><span style="color: #0000ff">宇航学院&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <span style="color: #ff0000">摄影、编辑：</span>新闻中心 斯君'
text[1]=''
text[2]='<img height="382" alt="" width="640" src="../../images/content/2012-02/20120227105158781316.jpg" /></span>&nbsp;'

我希望的结果是没有列表中没有空字符串，
即text[1]= '<img height="382" alt="" width="640" src="../../images/content/2012-02/20120227105158781316.jpg" /></span>&nbsp;'

也就是说，希望可以直接把两个或者更多的<br />和</p>进行自由组合，那么正则表达式该怎么写呢？
再如果<br />与</p>之间有不定量个空格，正则表达式又该怎样？

对于后者，我的理解是pattern='(\s+(<br />|</p>))+' 但是试了一下貌似不是这样 ，究竟该怎样啊？
-------------------------------
Double行动：
原帖分数：40
加分：40

[解决办法]
感觉你把空匹配从结果中去掉比较简单直观...
[解决办法]
我觉得，用一个xml解析工具操作会更容易些。

查看更多 下一篇