使用正则表达式提取html数据答案

【问题标题】：Extract html data using regular expressions使用正则表达式提取html数据
【发布时间】：2015-02-24 05:21:26
【问题描述】：

我有一个看起来像这样的 html 页面

<tr>
    <td align=left>
        <a href="history/2c0b65635b3ac68a4d53b89521216d26.html">
            <img src="/images/page.gif" border="0" title="полная информация о документе" width=20 height=20>
        </a> 
        <a href="history/2c0b65635b3ac68a4d53b89521216d26_0.html" title="C.">Th</a>
    </td>
</tr>
<tr align=right>
    <td align=left>
        <a href="marketing/3c0a65635b2bc68b5c43b88421306c37.html">
            <img src="/images/page.gif" border="0" title="полная информация о документе" width=20 height=20>
        </a> 
        <a href="marketing/3c0a65635b2bc68b5c43b88421306c37_0.html" title="b">aa</a>
    </td>
</tr>

我需要获取文本

历史/2c0b65635b3ac68a4d53b89521216d26.html 营销/3c0a65635b2bc68b5c43b88421306c37.html

我用python写了一个使用正则表达式的脚本

import re
a = re.compile("[0-9 a-z]{0,15}/[0-9 a-f]{32}.html")
print(a.match(s))

其中s 的值是上面的html 页面。然而，当我使用这个脚本时，我得到了"None"。我哪里做错了？

【问题讨论】：

尝试使用 BeautifulSoup 代替正则表达式。

标签： python html regex html-parsing

【解决方案1】：

Don't use regex for parsing HTML content.

使用专门的工具 - HTML 解析器。

示例（使用BeautifulSoup）：

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup

data = u"""Your HTML here"""

soup = BeautifulSoup(data)
for link in soup.select('td a[href]'):
    print link['href']

打印：

history/2c0b65635b3ac68a4d53b89521216d26.html
history/2c0b65635b3ac68a4d53b89521216d26_0.html
marketing/3c0a65635b2bc68b5c43b88421306c37.html
marketing/3c0a65635b2bc68b5c43b88421306c37_0.html

或者，如果您想获取遵循某种模式的 href 值，请使用：

import re

for link in soup.find_all('a', href=re.compile(r'\w+/\w{32}\.html')):
    print link['href']

其中r'\w+/\w{32}\.html' 是一个正则表达式，将应用于每个找到的a 标记的href 属性。它将匹配一个或多个字母数字字符 (\w+)，后跟一个斜杠，后跟正好 32 个字母数字字符 (\w{32})，然后是一个点（\.- 需要转义），然后是 @987654335 @。

DEMO.

【讨论】：

【解决方案2】：

你也可以写类似

>>> soup = BeautifulSoup(html) #html is the string containing the data to be parsed
>>> for a in soup.select('a'):
...     print a['href']
... 
history/2c0b65635b3ac68a4d53b89521216d26.html
history/2c0b65635b3ac68a4d53b89521216d26_0.html
marketing/3c0a65635b2bc68b5c43b88421306c37.html
marketing/3c0a65635b2bc68b5c43b88421306c37_0.html

【讨论】：