Python 正则表达式：如何从正则表达式中提取内部数据答案

【问题标题】：Python regex: how to extract inner data from regexPython 正则表达式：如何从正则表达式中提取内部数据
【发布时间】：2011-04-21 03:01:41
【问题描述】：

我想从这样的正则表达式中提取数据：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td>

我找到了相关问题extract contents of regex 但就我而言，我应该以某种方式进行迭代。

【问题讨论】：

请澄清：您是试图从该字符串还是通过使用该字符串（正则表达式）提取数据？对于后者，您需要使用括号来构建组，就像在您链接到的问题的已接受答案中一样。
我已经使用该字符串提取数据，现在我想从中提取数据，只需删除标记。
stackoverflow.com/questions/1732348/… StackOverflow 软件应该在任何时候发布这个“正则表达式”并且 HTML 标记出现在同一个帖子中。简短版：正则表达式无法解析 HTML。

标签： python html regex

【解决方案1】：

正如海报所阐明的，应该从字符串中删除

标签。

请注意，您向我们展示的字符串就是：字符串。只有在正则表达式函数的上下文中使用它才是正则表达式（可以从中编译出一个正则表达式对象）。

您可以像这样简单地删除

标记（假设您的字符串存储在 s 中）： s.replace('<td>','').replace('</td>','')

但请注意陷阱：正如其他人指出的那样，这在真正的 HTML 上下文中的用途确实有限。

此外，您应该知道，无论留下什么正则表达式 [string]，您可以用它解析的内容可能不是您想要的，即它不会自动匹配之前没有

标签的任何内容！

【讨论】：

是的，这就是我首先做的，但我一直在寻找更好的解决方案
在什么方面更好？如果您所做的只是删除东西，那么这样一个简单的解决方案就完全可以了。尽量保持代码简单（但不要简单）。

【解决方案2】：

正如辣椒粉在他/她的评论中提到的，您需要使用 () 来识别任何匹配文本的所需部分，以触发捕获组。要从 td 标记中获取内容，请更改：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td>

到：

<td>([a-zA-Z]+)</td><td>([\d]+.[\d]+)</td><td>([\d]+)</td><td>([\d]+.[\d]+)</td>
     ^^^^^^^^^           ^^^^^^^^^^^           ^^^^^           ^^^^^^^^^^^
      group 1             group 2              group 3          group 4

然后按编号访问组。（只是第一行，带有 '^' 的行和命名组的行只是为了帮助您查看括号中指定的捕获组。）

dataPattern = re.compile(r"<td>[a-zA-Z]+</td>... etc.")
match = dataPattern.find(htmlstring)
field1 = match.group(1)
field2 = match.group(2)

等等。但是你应该知道，使用 re 来破解 HTML 源代码是通向疯狂的途径之一。有许多潜在的惊喜会潜伏在你的输入 HTML 中，它们是完美工作的 HTML，但很容易打败你的回复：

“
”而不是“ ”
标签之间或数据与标签之间的空格
" "空格字符

BeautifulSoup、lxml 甚至 pyparsing 之类的库将使网络抓取工具更加强大。

【讨论】：