Python Regex抓取并替换字符串
[英]Python Regex Scrape & Replace String
问题描述
嗨，我想用Python编写一个小的辅助工具，它应该处理以下内容：
<tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p> </p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p> </p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p> </p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>
它应该替换 每个表格行的容量（在这种情况下都是介于两者之间）; 以及每行第二个表格数据字段中的）。
我开始用python这样编写代码，并且可以用regex语句抓取Volume，但是我的逻辑结束于如何将值放在正确的位置。 任何想法 ？ 这是我的代码
import BeautifulSoup
import re
with open('3mmcontainer.html') as f:
content = f.read()
f.close()
#print content
contentsoup = BeautifulSoup.BeautifulSoup(content)
for tablerow in contentsoup.findAll('tr'):
inhalt = str(tablerow.contents[3])
print inhalt
match = re.findall('\;(.*?)\)', inhalt)
print match
# for x in match:
# volumen = x.lstrip()
# print volumen
#f = open('3mmcontainer.html', 'w')
#newdata = f.replace(" ", volumen)
#f.write(newdata)
#f.close()
#m = re.search('\;(.*?)\)', inhalt)
# print m
# volumen = re.compile(r'\;(.*?)\)')
# volumen.match(tablerow.contents[3])
3 个解决方案
解决方案1
3 已采纳 2017-08-23 17:13:48
注意：您不需要调用close()因为with语句将为您完成此操作。
您可以使用一个简单的函数来转换每一行（ <tr/> ）：
import re
def parse_inhalt(content):
td_list = re.findall(r"<td>(?:(?!</td>).)+</td>", content)
vol_content = td_list[1]
vol = re.findall(r";([^)]+)", vol_content)[0]
return content.replace(" ", vol)
代码很简单：
- 提取
td_list每个单元格 - 获取包含该卷的第二个单元格的内容
- 找到“;”之间包含的音量 和“）”（不包括这些字符）
- 替换
按体积
例如：
inhalt = u"""\
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>"""
print(parse_inhalt(inhalt))
你得到：
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> 5,5m³</p></td>
<td><p> 1.364 kg</p></td>
</tr>
您可以使用以下命令删除空格：
vol = re.findall(r";\s*([^)]+)", vol_content)[0]
解决方案2
1 2017-08-23 19:09:39
另一种方法。
首先，找到所有表单元格，以及其中的p元素。 你知道p元素由立方米他们中存在表征text S，所以看他们，你知道你必须改变p是紧跟元素。 然后安排在遇到该区域时捕获该区域，记下p元素的序号，然后在遇到下一个p元素时，通过将area分配给它的string属性来更改其text 。
如果您更喜欢正则表达式，则可以使用它来计算area ：
area = bs4.re.search(r';\s+([^\)]+)', p.text).groups(0)[0]
。
>>> import bs4
>>> soup = bs4.BeautifulSoup(open('temp.htm').read(), 'lxml')
>>> k = None
>>> for i, p in enumerate(soup.select('td > p')):
... if 'm³' in p.text:
... area = p.text[1+p.text.rfind(';'):-1].strip()
... k = i
... if k and i == k + 1:
... p.string = area
...
>>> soup
<html><body><tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p>4,6m³</p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p>4,9m³</p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p>5,2m³</p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p>5,5m³</p></td>
<td><p> 1.364 kg</p></td>
</tr></body></html>
>>>
解决方案3
1 2017-08-23 19:21:46
如果可以使用蛮力正则表达式
s='''
<tr>
<td><p>L1</p></td>
<td><p>(4.000x2.300x500; 4,6m³)</p></td>
<td><p> </p></td>
<td><p> 1.221 kg</p></td>
</tr>
<tr>
<td><p>L2</p></td>
<td><p>(4.250x2.300x500; 4,9m³)</p></td>
<td><p> </p></td>
<td><p> 1.279 kg</p></td>
</tr>
<tr>
<td><p>L3</p></td>
<td><p>(4.500x2.300x500; 5,2m³)</p></td>
<td><p> </p></td>
<td><p> 1.321 kg</p></td>
</tr>
<tr>
<td><p>L4</p></td>
<td><p>(4.750x2.300x500; 5,5m³)</p></td>
<td><p> </p></td>
<td><p> 1.364 kg</p></td>
</tr>
'''
import re
p=r'(\([0-9x.]+)(; +)([0-9,m³]+)(\)</p></td>\n <td><p>)( )'
# not sure which output is preferred
x = re.sub(p, '\g<1>\g<2>\g<3>\g<4>\g<3>', s)
print(x)
y = re.sub(p, '\g<1>\g<4>\g<3>', s)
print(y)
Python RegEx 替换字符串
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.