Python正则表达式问题答案

【问题标题】：Python Regexp problemPython正则表达式问题
【发布时间】：2010-10-20 05:37:46
【问题描述】：

我正在尝试对网页中的一行进行正则表达式。该行如下：

<tr><td width=60 bgcolor='#ffffcc'><b>random Value</b></td><td align=center width=80>

这是我尝试过的，但它似乎不起作用，有人可以帮助我吗？ 'htmlbody' 包含 html 页面，不，我没有忘记导入 're'。

reg = re.compile("<tr><td width=60 bgcolor='#ffffcc'><b>([^<]*)</b></td><td align=center width=80>")
value = reg.search(htmlbody)
print 'Value is', value

【问题讨论】：

标签： python html regex

【解决方案1】：

使用正则表达式没有万无一失的方法。请参阅Can you provide some examples of why it is hard to parse XML and HTML with a regex? 了解原因。您需要的是一个 HTML 解析器，例如 HTMLParser:

#!/usr/bin/python

from HTMLParser import HTMLParser

class FindTDs(HTMLParser):
        def __init__(self):
                HTMLParser.__init__(self)
                self.level = 0

        def handle_starttag(self, tag, attrs):
                if tag == 'td':
                        self.level = self.level + 1

        def handle_endtag(self, tag):
                if tag == 'td':
                        self.level = self.level - 1

        def handle_data(self, data):
                if self.level > 0:
                        print data

find = FindTDs()

html = "<table>\n"
for i in range(3):
        html += "\t<tr>"
        for j in range(5):
                html += "<td>%s.%s</td>" % (i, j)
        html += "</tr>\n"
html += "</table>"

find.feed(html)

【讨论】：

【解决方案2】：

听起来您可能想使用findall 而不是search：

reg = re.compile("<tr><td width=60 bgcolor='#ffffcc'><b>([^<]*)</b></td><td align=center width=80>")
value = reg.findall(htmlbody)
print 'Found %i match(es)' % len(value)

不过，我必须提醒您，正则表达式在处理 HTML 方面是出了名的差。您最好使用正确的解析器，使用 HTMLParser module built in to Python。

【讨论】：

【解决方案3】：

这个

import re

htmlbody = "<tr><td width=60 bgcolor='#ffffcc'><b>random Value</b></td><td align=center width=80>"

reg = re.compile("<tr><td width=60 bgcolor='#ffffcc'><b>([^<]*)</b></td><td align=center width=80>")
value = reg.search(htmlbody).group(1)
print 'Value is', value

打印出来

Value is random Value

这是你想要的吗？

【讨论】：

不完全。它在 ... 字符串被指定为 htmlbody 时起作用。但是在我的脚本中，htmlbody 是一个完整的 HTML 页面。在那种情况下，它似乎不起作用。我忘了告诉：页面包含此行的多个实例...
你的意思是可能在前一行吗？是否可以将其从正则表达式中排除？您可以尝试阅读所有行，将它们粘合在一起而没有换行符，并搜索所有出现的特定正则表达式。或者您可以尝试使正则表达式更通用。