在Python中提取字符串

Question

基本上，我想从一个文本文件中提取出字符串“AAA”、“BBB”、“CCC”、“DDD”...

...... (other text goes here).....
<TD align="left" class=texttd><font class='textfont'>AAA</font></TD>
..... (useless text here).....
<TD align="left" class=texttd><font class='textfont'>BBB</font></TD>
....(more text).....
<TD align="left" class=texttd><font class='textfont'>CCC</font></TD>
<TD align="left" class=texttd><font class='textfont'>DDD</font></TD>
......(more text).....

我想要的效果是，如果我这样做：

data = foo("file.txt")

我得到的结果是：

data = ['AAA','BBB','CCC','DDD']

有什么好的方法吗？我的文件不大...

基本上，我想从这个文件中提取“剩余上传数据传输”，在HTML中看起来像这个

Answer 1

如果你只是想从HTML文档中的所有标签里提取数据，而不需要保留这些标签本身，你可以这样做：

import HTMLParser

class DataOnlyParser(HTMLParser.HTMLParser):
    def parse(self, text):
        self.result = []
        self.feed(text)
        self.close()
        return self.result

    def handle_data(self, data):
        data = data.strip()
        if data:
            self.result.append(data)

p = DataOnlyParser()

data = """
<TD align="left" class=texttd><font class='textfont'>AAA</font></TD>
<TD align="left" class=texttd><font class='textfont'>BBB</font></TD>
<TD align="left" class=texttd><font class='textfont'>CCC</font></TD>
<TD align="left" class=texttd><font class='textfont'>DDD</font></TD>
"""

print p.parse(data)
# ['AAA', 'BBB', 'CCC', 'DDD']

不过，如果你的选择条件比较复杂，或者输入的格式不太正确，使用像lxml这样的库会更好。

你绝对不想用正则表达式来“解析”HTML。详细信息可以查看这里。

Answer 2

你需要用到BeautifulSoup这个工具：

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(your_file)

soup.find("font", "textfont")

Answer 3

你可以写一个正则表达式，但这在某种程度上就是在“解析”HTML。用正则表达式处理HTML的问题在于，HTML本身很复杂。它很少是完美的，这会导致你在依赖它获取数据时出现问题。

我个人会选择使用BeautifulSoup。它的功能比你需要的要多，但付出的努力却少得多。