从 HTML 解析特定信息的最简单方法

Question

我知道问题的标题并不好，但我想不出更好的措辞。我有一些 HTMl 需要搜索：

<tr bgcolor="#e2d8d4">
<td>1</td>
<td>12:00AM</td>
<td>Show Name<a name="ID#"></a></td>
<td>Winter 12</td>
<td>Channel</td>
<td>Production Company</td>
<td nowrap>1d 11h 9m (air time)</td>
<td align="center">11</td>
<td>
<a href="link">AniDB</a></td>
<td><a href="link">Home</a></td>
</tr>

页面是几十个这样的 html 块。我需要能够仅使用节目名称来挑选给定节目的播出时间以及 bgcolor。 （此处为整页：http://www.mahou.org/Showtime/Planner/）。我假设最好的选择是正则表达式，但我对这个假设没有信心。我宁愿不使用第 3 方模块（BeautifulSoup）。如果问题含糊不清，我提前道歉。

Answer 1

感谢您进行研究 - 很高兴您知道 BeautifulSoup。这将真的是解决您的问题的最佳方式。

除此之外...这里是一个通用策略，您可以选择使用正则表达式（如果您的理智有问题）或使用 BeautifulSoup（如果您理智的话）来实施。

• 看起来你想要的数据总是在一个开始的表中：

  <table summary="Showtime series for Sunday in a Planner format." border="0" bgcolor="#bfa89b" cellpadding="0" cellspacing="0" width="100%">

  您可以通过查找表的summary="Showtime series for (Monday|Tuesday|....|Sunday)" 属性来隔离这一点，该属性在页面中是唯一的。

• 您已隔离该表，表中行的格式已明确定义。我会一次获得<tr>，并假设第二个<td> 将始终包含播出时间，而第三个<td> 将始终包含节目名称。

---

正则表达式可以很好地从 HTML 中提取非常简单的内容，例如“所有 img 标签的 src 路径”，但是一旦您开始谈论嵌套标签，例如“找到每个标签的第二个 <td>带有summary="..." 属性的表的<tr> 标记，这变得更加困难。这是因为正则表达式不是为嵌套结构而设计的。

请参阅canonical answer to 'regexps and HTML' questions，以及 Tom Christiansen 对what it takes to use regexps on arbitrary HTML 的解释。 tchrist 证明您可以使用正则表达式来解析您想要的任何 HTML - 如果您有足够的决心 - 但是像 BeautifulSoup 这样的正确解析库更快、更容易，并且会提供更好的结果。

Answer 2

这应该是评论，但结果太长了。

BeautifulSoup 的文档非常好，因为它包含相当多的 examples，请注意，有两个版本，并不是每个版本都可以很好地与 Python 的每个版本配合使用，尽管您可能在那里不会遇到问题（见："Beautiful Soup 4 works on both Python 2 (2.7+) and Python 3."）。

此外，BeautifulSoup 或 lxml 等 HTML 解析器在处理 HTML 之前会对其进行清理（使其有效，以便您可以正确地遍历其树），因此它们可能会移动某些被视为无效的元素。通常，您可以禁用该功能，但不确定您是否会获得想要的结果。

还有其他方法可以解决您提出的任务。但是，它们的实施要复杂得多，因此在您描述的条件下，这可能是不可取的。但只是让您知道，信息提取（IE）的整个领域都在处理这类问题。 Here (PDF) 或多或少是一项关于它的最新调查，主要关注用于提取 HTML（他们称之为半结构化）网页的 IE。