在python中使用正則表達式獲取html標簽

Question

我正在嘗試使用python閱讀html文檔，並將所有表行收集到一個列表中。 （我知道用於此目的的專用工具，但必須使用regex。）到目前為止，這是我的代碼：

import urllib
import re
URL = 'http://www.xpn.org/events/concert-calendar'
sock = urllib.urlopen( URL )
doc = sock.read()
sock.close()
patString = r'''
    < tr(. * ?)>
    (.*?)
    < /tr>
    '''
pattern = re.compile(patString, re.VERBOSE)
concerts = re.findall(pattern, doc)
print (concerts)

但是，打印僅打印一個空列表。 我嘗試了幾種不同的模式，但是都產生了相同的結果。 我很確定問題出在模式上，但是我不太確定（因為我在編寫此代碼時正試圖被python容納。）我要查找的表行格式為<tr class="odd/even"> other data </tr> ，我想捕獲所有這些數據並將其放入列表中，以供稍后在腳本中使用。

任何幫助表示贊賞。 謝謝

Answer 1

這與您的樣本數據完全匹配。 如果數據在多行上運行，請打開的選項. 匹配\\n 。 re.DOTALL ，該選項是re.DOTALL 。

<tr(.*?)>(.*?)</tr>

? 中間數據的限定非常重要，否則它可以匹配整個<tr></tr>塊作為數據部分。

這很容易，因為您沒有解析HTML，而是嘗試在非常特殊的情況下提取一些標簽。

事情會變得丑陋，如果你有一個<tr>在<tr>的例子。