在python中使用正則表達式從錨標簽中提取數據

Question

我正在嘗試使用 Python 中的正則表達式從網頁中提取超鏈接。

假設我的文本字符串是：

text = '<a href="/status/ALL">ALL</a></td>/n<a href="/status/ASSIGN">ASSIGN</a></td>'

我想提取 ALL 和 ASSIGN，我正在使用這個正則表達式：

re.findall(r'<a href=.*>(\w+)</a>', text, re.DOTALL)

這只是返回 ASSIGN。

有人可以幫我指出正則表達式中的錯誤嗎？ 我對這個話題真的很陌生。

Answer 1

您正在使用正則表達式，而將 XML 與此類表達式匹配會變得太復雜、太快。

請不要為難自己，而是使用 HTML 解析器，Python 有幾個可供選擇：

• ElementTree是標准庫的一部分
• BeautifulSoup是一個流行的 3rd 方庫
• lxml是一個快速且功能豐富的基於 C 的庫。

元素樹示例：

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('a'):
    print ElementTree.tostring(elem)