使用 Python 的正则表达式模式在 HTML 页面中搜索答案

【问题标题】：Search in HTML page using Regex patterns with python使用 Python 的正则表达式模式在 HTML 页面中搜索
【发布时间】：2012-07-02 12:48:40
【问题描述】：

我正在尝试在具有已知模式的 HTML 页面中查找字符串。例如，在以下 HTML 代码中：

<TABLE WIDTH="100%">
<TR><TD ALIGN="LEFT" width="50%">&nbsp;</TD>
<TD ALIGN=RIGHT VALIGN=BOTTOM WIDTH=50%><FONT SIZE=-1>( <STRONG>1</STRONG></FONT> <FONT SIZE=-2>of</FONT> <STRONG><FONT SIZE=-1>1</STRONG> )</FONT></TD></TR></TABLE>
<HR>
<TABLE WIDTH="100%">
<TR>    <TD ALIGN="LEFT" WIDTH="50%"><B>String 1</B></TD>
    <TD ALIGN="RIGHT" WIDTH="50%"><B><A Name=h1 HREF=#h0></A><A  HREF=#h2></A><B><I></I></B>String</B></TD>
</TR>
<TR><TD ALIGN="LEFT" WIDTH="50%"><b>String 2.</B>
</TD>
<TD ALIGN="RIGHT" WIDTH="50%"> <B>
String 3
</B></TD>
</TR>
</TABLE>
<HR>
<font size="+1">String 4</font><BR>
...

我想找到 String 4 ，我知道它总是在

之间

<HR><font size="+1">
和</font><BR>

如何使用 RE 搜索字符串？

编辑：

我尝试了以下方法，但没有成功：

p = re.match('<HR><font size="+1">(.*?)</font><BR>',html)

谢谢。

【问题讨论】：

你考虑过用 xpath 代替正则表达式吗？
我尝试过使用 BeautifulSoup。它不起作用，因为我在多个页面上运行解析器并且它们之间有细微的变化。
@Rgo：XPath 查询（使用 lxml）可以处理有细微差别的页面。
您尝试使用 re.match 无效，因为 re.match 尝试从头开始匹配。 + 也有特殊含义，所以应该转义。但你走对了。

标签： python html regex parsing html-parsing

【解决方案1】：

re.findall(r'<HR>\s*<font size="\+1">(.*?)</font><BR>', html, re.DOTALL)

findall 正在返回一个列表，其中包含正则表达式中括号之间捕获的所有内容。我使用了 re.DOTALL，所以点也捕获了行尾。

我使用了\s*，因为我不确定是否会有空格。

【讨论】：

【解决方案2】：

这可行，但可能不是很健壮：

import re
r = re.compile('<HR>\s?<font size="\+1">(.+?)</font>\s?<BR>', re.IGNORECASE)
r.findall(html)

使用适当的 HTML 解析器会更好。 BeautifulSoup 非常好用且易于使用。查一下。

【讨论】：

【解决方案3】：

re.findall(r'<HR>\n<font size="\+1">([^<]*)<\/font><BR>', html, re.MULTILINE)

【讨论】：