如何使用ElementTree解析HTML以查找特定的正则表达式？
我正在使用 Python 2.7.6 和 ElementTree 来加载和解析一个存储在电脑上的 HTML 文件，然后遍历这个文件，把特定的正则表达式（RegEx）存储到一个数据结构里。
在我的项目文件夹里，有一个名为 person.html 的 HTML 文件：
<!DOCTYPE html>
<html>
<body>
<ul>
<li>Name: $name</li>
<li>Age: $age</li>
</ul>
</body>
</html>
这是我目前的 Python 脚本（main.py）：
#!/usr/bin/env python
import web
import xml.etree.ElementTree as ElementTree
tree = ET.parse(person.html)
我有几个问题：
我该如何使用正则表达式或 ElementTree 来解析以
$开头的值（比如$name和$age）？我该如何把这些值存储到一个数据结构中，以便将来可以遍历它们？
相关文章：
- 暂无相关问题
3 个回答
0
你可以试试用正则表达式（RegEx）这样做：
>>> html = """
... <!DOCTYPE html>
... <html>
... <body>
... <ul>
... <li>Name: $name</li>
... <li>Age: $age</li>
... </ul>
... </body>
... </html>
... """
>>> import re
>>> re.findall(r'\$\w*', html)
['$name', '$age']
>>>
re.findall() 这个函数会返回一个列表，所以你可以像这样使用它：
>>> l = re.findall(r'\$\w*', html)
>>> l
['$name', '$age']
>>> l[0]
'$name'
>>> l[1]
'$age'
>>>
6
lxml 是用来通过标签来搜索 HTML 的工具。比如说，如果你想找到所有的 <li> 标签，并获取它们的文本内容，你可以这样做：
import xml.etree.ElementTree as et
tree = et.parse('data.html')
html_tag = tree.getroot()
for li in html_tag.iter('li'):
text = li.text
print(text)
--output:--
Name: $name
Age: $age
如果你想找的文本可能出现在任何标签里，那你可以这样做：
import xml.etree.ElementTree as et
import re
tree = et.parse('data.html')
html_tag = tree.getroot()
pattern = r"""
\$
.*?
\b
"""
for tag in html_tag.iter('*'): # '*' => all tags
text = tag.text.strip()
if text:
match_list = re.findall(pattern, text, flags=re.X)
print (match_list)
--output:--
['$name']
['$age']
我该如何把这些值存储到一个数据结构中，以便将来可以遍历它们呢？
你可以使用 shelve 模块来实现：
$ cat data.html
<!DOCTYPE html>
<html>
<body>
<ul>
<li>Name: $name</li>
<li>Age: $age</li>
<li>Dogs: $dog1, $dog2</li>
</ul>
</body>
</html>
import xml.etree.ElementTree as et
import re
import shelve
import collections as coll
tree = et.parse('data.html')
html_tag = tree.getroot()
pattern = r"""
\$ #Match a literal $ sign...
.+? #followed by any character, 1 or more times, non-greedy
\b #followed by the (first) word boundary
"""
results = coll.defaultdict(list)
for tag in html_tag.iter('*'):
text = tag.text.strip()
if text:
match_list = re.findall(pattern, text, flags=re.X)
if match_list:
results['data.html'].extend(match_list)
print(results)
with shelve.open('mydb.db') as db:
db['html vars'] = results
with shelve.open('mydb.db') as db:
for key, val in db['html vars'].items():
print("{}: {}".format(key, val))
--output:--
defaultdict(<class 'list'>, {'data.html': ['$name', '$age', '$dog1', '$dog2']})
data.html: ['$name', '$age', '$dog1', '$dog2']
如果你的最终目标是要在 HTML 中替换这些变量，那么你的格式就适合 Python 的 template 格式：
import string
with open('data.html') as f:
template = string.Template(f.read())
values = {
'name': 'socal_javaguy',
'age': 25,
'dog1': 'Rover',
'dog2': 'Jane',
}
results = template.substitute(values)
print(results)
--output:--
<!DOCTYPE html>
<html>
<body>
<ul>
<li>Name: socal_javaguy</li>
<li>Age: 25</li>
<li>Dogs: Rover, Jane</li>
</ul>
</body>
</html>
2
谢谢Kevin和7stud，我已经这样让它工作了：
#!/usr/bin/env python
import re
with open("person.html", "r") as html_file:
data=html_file.read()
list_of_strings = re.findall(r'\$[A-Za-z]+[A-Za-z0-9]*', data)
print list_of_strings
输出结果：
[$name, $age]