Python Re.Search：如何在两个字符串之间找到 substring，该字符串还必须包含特定的 substring

Question

我正在编写一个小脚本来从基本的 HTML 页面获取我的 F@H 用户数据。

我想在该页面上找到我的用户名以及它之前和之后的数字。

我想要的所有数据都在两个 HTML <tr>和</tr>标签之间。

我目前正在使用这个：

re.search(r'<tr>(.*?)</tr>', htmlstring)

我知道这适用于任何 substring，因为我的问题的所有谷歌结果都显示。 这里的区别是我只需要它 substring 也包含一个特定的词

但是，这只返回这两个分隔符之间的第一个字符串，甚至不是全部。

这种模式在页面上出现了数百次。 我怀疑它并没有全部得到它们，因为我没有正确处理所有换行符，但我不确定。

如果它会返回所有这些，我至少可以将它们整理出来，找到一个包含我的用户名通过每个result.group()的用户名，但我什至不能这样做。

多年来，我一直在摆弄不同的正则表达式，但无法弄清楚我需要什么，我感到非常沮丧。

TL;DR - 我需要一个re.search()模式，它可以在两个单词之间找到一个 substring，它还包含一个特定的单词。

Answer 1

如果我理解正确，这样的事情可能会奏效
<tr>(?:(?:(?:(?.<\/tr>)?)*?)\bWORD\b(:.?*?))<\/tr>

• <tr>找到“<tr>”
• (?:(?:(?.<\/tr>)?)*?)尽可能少地查找除 "</tr>" 之外的任何内容
• \bWORD\b查找 WORD
• (?:.*?))尽可能少地找到任何东西
• <\/tr>找到“</tr>”

样本

Answer 2

有几种方法可以做到，但我更喜欢 pandas 方式：

from urllib import request

import pandas as pd # you need to install pandas

base_url = 'https://apps.foldingathome.org/teamstats/team3446.html'

web_request = request.urlopen(url=base_url).read()

web_df: pd.DataFrame = pd.read_html(web_request, attrs={'class': 'members'})
web_df = web_df[0].set_index(keys=['Name'])
# print(web_df)

user_name_to_find_in_table = 'SteveMoody'
user_name_df = web_df.loc[user_name_to_find_in_table]
print(user_name_df)

然后有很多方法可以做到这一点。 仅使用 Beautifulsoup 查找或 css 选择器，或者可能像彼得建议的那样重新使用？

使用 beautifulsoup 和“查找”方法，然后重新，您可以通过以下方式进行操作：

import re
from bs4 import BeautifulSoup as bs # you need to install beautifullsoup
from urllib import request




base_url = 'https://apps.foldingathome.org/teamstats/team3446.html'

web_request = request.urlopen(url=base_url).read()

page_soup = bs(web_request, 'lxml') # need to install lxml and bs4(beautifulsoup for Python 3+)

user_name_to_find_in_table = 'SteveMoody'

row_tag = page_soup.find(
    lambda t: t.name == "td"
              and re.findall(user_name_to_find_in_table, t.text, flags=re.I)
).find_parent(name="tr")

print(row_tag.get_text().strip('tr'))

使用 Beautifulsoup 和 CSS 选择器（没有重新但 Beautifulsoup）：

from bs4 import BeautifulSoup as bs # you need to install beautifulsoup
from urllib import request


base_url = 'https://apps.foldingathome.org/teamstats/team3446.html'

web_request = request.urlopen(url=base_url).read()

page_soup = bs(web_request, 'lxml') # need to install lxml and bs4(beautifulsoup for Python 3+)

user_name_to_find_in_table = 'SteveMoody'

row_tag = page_soup.select_one(f'tr:has(> td:contains({user_name_to_find_in_table})) ')

print(row_tag.get_text().strip('tr'))

在您的情况下，我更喜欢 pandas 示例，因为您保留标题并且可以轻松获取其他统计信息，并且它运行得非常快。

使用回复：

到目前为止，最好的输入是 Peters 的评论Link ，所以我只是将它改编为 Python 代码（很高兴得到编辑），因为这个解决方案不需要任何额外的库安装。

import re
from urllib import request




base_url = 'https://apps.foldingathome.org/teamstats/team3446.html'

web_request = request.urlopen(url=base_url).read()
user_name_to_find_in_table = 'SteveMoody'
re_patern = rf'<tr>(?:(?:(?:(?!<\/tr>).)*?)\{user_name_to_find_in_table}\b(?:.*?))<\/tr>'
res = re.search(pattern=re_patern, string= str(web_request))

print(res.group(0))

有用的 lin 在正则表达式中使用变量： stackflow