Q&A
『どのように』上手くマッチしないのですか？
スクレイピングでアニメタイトルを抽出しようと健闘しています。
pythonの正規表現を使用して以下のhtmlから、第1話「使徒、襲来」のみを抽出しようと試みました。
python
1title = re.findall("\">(\w+) </a></h2>",text)
html
1<div><a href="eva_story1/" title="第1話「使徒、襲来」"><img src="/wp-content/uploads/evangelion_tv01title-medium.png" alt="エヴァンゲリオンTV 第1話 タイトル"></a></div> 2<h2><a href="eva_story1/" title="第1話「使徒、襲来」">第1話「使徒、襲来」</a></h2>
htmlの最後の</a></h2>を頼りに抽出させようとしているのですが、全く1つもマッチしません。
reリファレンスを見て、(\w+)で、文字列を指定させるといった事をさせたのですが、それでもマッチができませんでした。
回答1件
0
ベストアンサー
以下のように修正したら抽出できました。
python
1>>> text='<div><a href="eva_story1/" title="第1話「使徒、襲来」"><img src="/wp-content/uploads/evangelion_tv01title-medium.png" alt="エヴァンゲリオンTV 第1話 タイトル"></a></div>\n<h2><a href="eva_story1/" title="第1話「使徒、襲来」">第1話 「使徒、襲来」</a></h2>' 2>>> title = re.findall("\">(.+)</a></h2>", text) 3# ^ ^ 4# | | 5# ①「\w → .」| 6# ②スペースを削除 7>>> title 8['第1話「使徒、襲来」']
投稿2020/02/13 12:57
総合スコア985
なお、提示されたHTMLでのみでの結果ですので、もしかしたらHTML全体では結果がおかしくなるかもしれません。予めご了承ください。
ご回答ありがとうございます。
こちらは、スペースが邪魔をして、\wを認識していなかったと理解して大丈夫でしょうか？
スペースがあると、<の前に必ずスペースがないとマッチしなくなります。
また、Pythonにおける検索対象がUnicode(str)の\wは、半角アンダーバー以外の記号は対象になりません。
したがって、 第1話「使徒、襲来」 の "「」、"が対象にならないため、抽出できないのだと思います。
>"「」、"が対象にならないため、抽出できないのだと思います。
それ以前に、<img src="/... でアウトでしょう。
ご指摘ありがとうございます。今回は運良くHTML側に改行がありましたので、"「」、"が対象になったのかなと思います。もし、改行がなかった場合は、KojiDoiさんのおっしゃっている通り <img src="/ のまでマッチの範囲が伸びますので < が\wの対象にならず、結局どこにもマッチしないということになりますね。
いずれにしましても、私が回答したものも含めた正規表現では、改行の無いHTMLを対象にした場合、正しい結果（今回の場合は"第1話「使徒、襲来」" ）がとれない可能性が高いと思いますので、より確実に抽出したい場合は、HTMLをパースするモジュール（Python標準ではhtml.parser、など）を利用をご検討されたほうがよいかと思います。
あなたの回答
tips
プレビュー
