如何使用 Python 从文件中过滤数据？答案

【问题标题】：How to filter data from a file using Python?如何使用 Python 从文件中过滤数据？
【发布时间】：2009-12-12 21:11:13
【问题描述】：

我正在尝试从 HTML 文件中过滤某些数据。例如HTML文件如下：

<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]">software_0.1-0.log</td><td align="right">17-Nov-2009 13:46  </td><td align="right">186K</td></tr>

我需要提取 software_0.1-0 部分以及 17-Nov-2009 部分。我怎样才能做到这一点？

非常感谢。

【问题讨论】：

从这个例子中，过滤的标准是什么并不清楚 - 它看起来可能是“<td>标签之间的文本”，但这不太合适（有一个@ 987654323@ 你似乎不想要）。你能详细说明一下吗？

标签： python filter parsing

【解决方案1】：

BeautifulSoup 很容易：

html = '''<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]">software_0.1-0.log</td><td align="right">17-Nov-2009 13:46  </td><td align="right">186K</td></tr>'''

import BeautifulSoup
soup = BeautifulSoup.BeautifulSoup(html)
print soup.td.next.next
print soup.td.nextSibling.next

输出：

software_0.1-0.log
17-Nov-2009 13:46

【讨论】：

【解决方案2】：

您可以使用流行的beautifulsoup 包来提取感兴趣的字符串（以及更多文本）。然后，您将需要一些字符串操作（或者可能是正则表达式）来分隔感兴趣的确切部分，但这取决于您想要应用的规则是什么——即，它是否始终是您想要的 .log 后缀从文件名中删除，它是否总是一个将日期与时间分开的空格，等等。如果您精确地指定规则，那么实现它们并不难（但是，如果没有精确的规范，这将是一大堆猜测；-)。

【讨论】：

【解决方案3】：

试试Beautifull Soup，一个 HTML 解析器。您将从那里得到一个结构化文档，并且可以选择第一个和第二个 td 内容。

在这种情况下可能有点矫枉过正，但特别是如果您的 HTML 来自外部并且可以更改维护人员会感谢您选择可读的解决方案。

【讨论】：

【解决方案4】：

你的要求似乎很简单，所以这里是非 BeautifulSoup 方式，只是纯字符串操作

s="""<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]">software_0.1-0.log</td><td align="right">17-Nov-2009 13:46  </td><td align="right">186K</td></tr>"""

string=s.split(">")
for i in string:
    try:
        e=i.index("<")
    except: pass
    else:
        print i[:e]

现在您可以使用 i[:e] 查找“软件”和日期部分

【讨论】：

虽然这在技术上是正确的，但使用 Beautiful Soup 仍然会更好，因为当您将来必须进行更复杂的 HTML 操作时，它会为您带来好处。
直到事情变得更复杂的时候，没有必要只为这种情况使用 BeautifulSoup