Question

可能重复：
RegEx match open tags except XHTML self-contained tags

从标签中仅提取文本的最佳正则表达式是什么？如果我有这种html标记

<tr class="classo">
<td>text1</td>
<td class="dot">text2 </td>
<td>text3</td>
<td class="dot"> text4</td>
<td class="dot">text4</td>
</tr>

td标签的数量不固定，其中一些也有class属性，但我只对从td标签内部获取文本感兴趣

Answer 1

不要花时间使用正则表达式，而是使用专为此任务设计的内容。我喜欢BeautifulSoup：

>>> s = """
... <tr class="classo">
... <td>text1</td>
... <td class="dot">text2 </td>
... <td>text3</td>
... <td class="dot"> text4</td>
... <td class="dot">text4</td>
... </tr>
... """
>>> 
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(s)
>>> soup.find_all("td")
[<td>text1</td>, <td class="dot">text2 </td>, <td>text3</td>, <td class="dot"> text4</td>, <td class="dot">text4</td>]
>>> [tag.text for tag in soup.find_all("td")]
[u'text1', u'text2 ', u'text3', u' text4', u'text4']

Answer 2

正则表达式<td.*?>(.*?)<\/td>将正确执行。

但我可以建议您使用HTMLParser Module或BeautifulSoup

让我花时间用HTMLParser写下另一个例子：

from HTMLParser import HTMLParser

class TDExtractor(HTMLParser):

  def handle_starttag(self, tag, attrs):
      if tag == 'td':
          self.recording = True

  def handle_endtag(self, tag):
      if tag == 'td':
          self.recording = False

  def handle_data(self, data):
      if self.recording:
          self.data.append(data)

  def reset(self):
      HTMLParser.reset(self)
      self.data = []
      self.recording = False

行动中：

> tdextractor = TDExtractor()
> tdextractor.feed(some_htmldata)
> print(tdextractor.data) # will print a list with all the td data.

Answer 3

正则表达式不是为解析HTML而设计的。 HTML不是常规语言，使用正则表达式无法轻松解析。

很多人都喜欢BeautifulSoup，但它非常slow（another source），不如lxml，甚至可以使用BeautifulSoup作为需要的解析器。

以下是使用lxml的解决方案。

>>> import lxml.html
>>> html = lxml.html.fromstring("""
... <tr class="classo">
... <td>text1</td>
... <td class="dot">text2 </td>
... <td>text3</td>
... <td class="dot"> text4</td>
... <td class="dot">text4</td>
... </tr>""")
>>> print [e.text for e in html.xpath("td")]
['text1', 'text2 ', 'text3', ' text4', 'text4']

正则表达式用于选择内部文本

3 个答案: