Python 正则表达式 - 解析 HTML答案

【问题标题】：Python Regex - Parsing HTMLPython 正则表达式 - 解析 HTML
【发布时间】：2012-09-12 20:45:53
【问题描述】：

我有这个小代码，它给了我 AttributeError: 'NoneType' object has no attribute 'group'。

import sys
import re

#def extract_names(filename):

f = open('name.html', 'r')
text = f.read()

match = re.search (r'<hgroup><h1>(\w+)</h1>', text)
second = re.search (r'<li class="hover">Employees: <b>(\d+,\d+)</b></li>', text)  

outf = open('details.txt', 'a')
outf.write(match)
outf.close()

我的意图是读取一个 .HTML 文件，查找 <h1> 标记值和员工数量，并将它们附加到文件中。但由于某种原因，我似乎无法正确处理。非常感谢您的帮助。

【问题讨论】：

我认为像 Scrapy of Beautiful Soap 这样的高级库比正则表达式更适合您的任务。
@larsmans：无数其他人还包括this one，它实际上演示了如何使用正则表达式解析 HTML。与此相比，海伦在这里的任务微不足道。所以不太高兴。
很遗憾你不能使用vi来编辑HTML文件，innit？
如果您显示您正在查看的 HTML 文件的相关部分，将会有很大帮助。

标签： python html regex

【解决方案1】：

您正在使用正则表达式，但是将 XML 与此类表达式匹配变得太复杂、太快。不要那样做。

改用 HTML 解析器，Python 有几个可供选择：

ElementTree 是标准库的一部分
BeautifulSoup 是一个流行的 3rd 方库
lxml 是一个快速且功能丰富的基于 C 的库。

后两者也可以非常优雅地处理格式错误的 HTML，这对许多拙劣的网站来说很有意义。

元素树示例：

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('h1'):
    print ElementTree.tostring(elem)

【讨论】：

最好使用 BeatifulSoup 或 lxml.html 处理 HTML 文件，但它们通常是格式错误的 XML。

【解决方案2】：

只是为了完成：你的错误信息只是表明你的正则表达式失败并且没有返回任何东西......

【讨论】：