带有 HTML 标签和转义字符的正则表达式

Question

我有这段文字：

<h5 class="subblocksubhead subsubsectionhead first"><b>Messaggi inseriti</b></h5>
<dl class="blockrow stats">
    <dt><b>Messaggi inseriti</b></dt>
    <dd> 81</dd>
</dl>
<dl class="blockrow stats">
    <dt>Media dei messaggi giornalieri</dt>
    <dd> 0.02</dd>
</dl>

我正在尝试使用此代码提取" 81"：

regex_message_sent_num=r'Messaggi inseriti<.+>\n\t\t<.+?>(\s.+)<.+?>'
pattern_message_sent_num=re.compile(regex_message_sent_num)
results_message_sent_num=re.findall(pattern_message_sent_num,html_text)

我总是得到一个空列表作为输出，而当我测试代码 here 时，我得到了正确的提取。

知道我做错了什么吗？ HTML 来自一个网页，我试图从中提取一些可见数据作为练习。我在从 chrome 浏览器保存的 HTML 文本上测试了正则表达式。

Answer 1

改用 HTML 解析器，例如 BeautifulSoup。

使用文本搜索和find_next_sibling() method:

from bs4 import BeautifulSoup

data = """
<div>
    <dl class="blockrow stats">
        <dt><b>Messaggi inseriti</b></dt>
        <dd> 81</dd>
    </dl>
    <dl class="blockrow stats">
        <dt>Media dei messaggi giornalieri</dt>
        <dd> 0.02</dd>
    </dl>
</div>"""

soup = BeautifulSoup(data, "html.parser")

label = soup.find("dt", text="Messaggi inseriti")
print(label.find_next_sibling("dd").get_text(strip=True))

打印81。