Python正则表达式：如何从正则中提取内部数据

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>  

我找到了一些相关的问题，像是如何提取正则表达式的内容，但是在我的情况下，我需要以某种方式进行迭代。

Answer 1

发帖者已经说明了，<td> 标签应该从字符串中去掉。

需要注意的是，你给我们的这个字符串，实际上就是一个普通的字符串。只有在使用正则表达式的情况下，它才算是正则表达式（可以从中编译出一个正则表达式对象）。

你可以很简单地去掉 <td> 标签（假设你的字符串存储在 s 中）： s.replace('<td>','').replace('</td>','')

不过要注意一些问题：在处理真实的HTML时，这种方法的用处非常有限，正如其他人所指出的那样。

此外，你还应该知道，剩下的正则表达式 [string] 可能无法解析出你想要的内容，也就是说，没有 <td> 标签后，它不会自动匹配之前匹配到的任何东西！

Answer 2

正如paprika在评论中提到的，你需要用括号()来标记你想要提取的文本部分，这样可以设置捕获组。要获取标签中的内容，你需要把：

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

改成：

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

然后通过数字来访问这些组。 （第一行只是为了帮助你看到括号指定的捕获组，带有'^'的那一行和命名组的行只是辅助信息。）

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

以此类推。不过你要知道，使用正则表达式来解析HTML源代码可能会让你感到很头疼。你的输入HTML中可能会有很多意想不到的情况，这些都是有效的HTML，但很容易让你的正则表达式失效：

• "<TD>"而不是"<td>"

• 标签之间，或者数据和标签之间的空格

• "&nbsp;"这样的空格字符

像BeautifulSoup、lxml，甚至pyparsing这样的库会让你写的网页抓取程序更加稳健。