Python正则表达式：如何从正则表达式中提取内部数据

Question

我想从这样的正则表达式中提取数据：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td>  

我发现了正则表达式的相关问题提取内容，但就我而言，我应该以某种方式进行迭代。

Answer 1

正如辣椒粉在他/她的评论中提到的那样，您需要使用（）来标识捕获组，以标识任何匹配文本的所需部分。 要从td标签中获取内容，请更改：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td> 

至：

<td>([a-zA-Z]+)</td><td>([\d]+.[\d]+)</td><td>([\d]+)</td><td>([\d]+.[\d]+)</td>
     ^^^^^^^^^           ^^^^^^^^^^^           ^^^^^           ^^^^^^^^^^^
      group 1             group 2              group 3          group 4

然后按编号访问组。 （仅第一行，带有'^'的行以及命名组的名称就在这里，以帮助您查看括号中指定的捕获组。）

dataPattern = re.compile(r"<td>[a-zA-Z]+</td>... etc.")
match = dataPattern.find(htmlstring)
field1 = match.group(1)
field2 = match.group(2)

等等。 但是您应该知道，使用re破解HTML源代码是实现疯狂的途径之一。 输入的HTML中有很多潜在的意外，它们是正常工作的HTML，但是很容易击败您的re：

• “ <TD>”而不是“ <td>”

• 标签之间或数据与标签之间的空格

• “＆NBSP;” 空格字符

诸如BeautifulSoup，lxml甚至pyparsing之类的库将使Web爬虫更加健壮。

Answer 2

正如张贴者所阐明的，应从字符串中删除<td>标记。

请注意，您显示给我们的字符串就是这样：一个字符串。 仅在正则表达式函数的上下文中使用时，它才是正则表达式（可以从中编译正则表达式对象）。

您可以像这样简单地删除<td>标记（假设您的字符串存储在s ）： s.replace('<td>','').replace('</td>','')

但是要当心陷阱：正如其他人指出的那样，在真正的HTML上下文中，这确实是有限的用途。

此外，您应该意识到，不管剩下什么正则表达式[string]，您可能要解析的内容可能都不是您想要的，即，如果没有<td>标签，它不会自动匹配它之前匹配的任何内容！