带有HTML标记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>

并且我正在尝试使用以下代码提取" 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，而当我在这里测试代码时，我得到了正确的提取。

知道我在做什么错吗？ HTML来自一个网页，我正在尝试从中提取一些可见的数据作为练习。 我在从chrome浏览器保存的HTML文本上测试了正则表达式。

Answer 1

请改用HTML Parser，例如BeautifulSoup 。

使用文本搜索和find_next_sibling()方法 ：

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 。