Python，匹配不等长的刮削列表

Question

请准备长时间阅读。我处于停顿状态，不知道从哪里寻找答案/还有什么可以尝试的。不用说我对编程有点陌生。在过去的几周里一直在做这个项目。在

问题

我有这张桌子，25行，2列。每行的结构如下：

所需事件

<td align=center>19/11/11<br>12:01:21 AM</td>
<td align=center><font color=#006633><a href=profiles.php?XID=1><font color=#006633>player1</font></a> hospitalized <a href=profiles.php?XID=2><font color=#006633>player2</font></a></font></td>

不需要的事件 案例A

^{pr2}$

不需要的事件 案例B

<td align="center">19/11/11<br />12:58:03 AM</td>
<td align=center><font color=#006633><a href=profiles.php?XID=3><font color=#006633>player3</font></a> attacked <a href=profiles.php?XID=1><font color=#006633>player1</font></a> and lost </font></td>

我使用regex来获取所需的数据。我的问题是这两个列表不匹配。日期和时间并不总是与确切的事件匹配。在

---

第一次尝试解决问题

import mechanize  
import re

htmlA1 = br.response().read()

patAttackDate = re.compile('<td align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+ \w+)')
patAttackName = re.compile('<font color=#006633>(\w+)</font></a> hospitalized ')
searchAttackDate = re.findall(patAttackDate, htmlA1)
searchAttackName = re.findall(patAttackName, htmlA1)

pairs = zip(searchAttackDate, searchAttackName)

for i in pairs:
print (i)

但这给了我一个wrong time - correct event类型的列表。在

例如：

(('19/11/11', '9:47:51 PM'), 'user1') <- mismatch 
(('19/11/11', '8:21:18 PM'), 'user1') <- mismatch
(('19/11/11', '7:33:00 PM'), 'user1') <- As a consequence of the below, the rest upwards are mismatched 
(('19/11/11', '7:32:38 PM'), 'user2') <- NOT a match, case B
(('19/11/11', '7:32:22 PM'), 'user2') <- match ok
(('19/11/11', '7:26:53 PM'), 'user2') <- match ok
(('19/11/11', '7:25:24 PM'), 'user3') <- match ok
(('19/11/11', '7:24:22 PM'), 'user3') <- match ok
(('19/11/11', '7:23:25 PM'), 'user3') <- match ok

---

第二次尝试解决问题

所以我想把newline从整页中去掉，然后把表刮干净，但是：

import mechanize
import re
from BeautifulSoup import BeautifulSoup

htmlA1 = br.response().read()

stripped = htmlA1.replace(">\n<","><") #Removed all '\n' from code

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #this is the table I need to work with

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = re.findall(patAttackDate, table3)
print searchAttackDate

这给了我一个错误：

return _compile(pattern, flags).findall(string)
TypeError: expected string or buffer

我错过了什么？在

额外问题： 有什么方法可以解释XID是一个动态变量，但在使用regex/beauthoulsoup（或其他刮削方法）时绕过它吗？随着项目的“增长”，我可能需要包含代码的XID部分，但不想与之匹配。（不确定是否清楚）

谢谢你抽出时间

---

编辑1：添加列表示例
编辑2：使代码分隔更加可见
编辑3：为似乎不起作用的给定解决方案添加了示例代码

Test = '''<table><tr><td>date</td></tr></table>'''
soupTest = BeautifulSoup(Test)
test2 = soupTest.find('table')
patTest = re.compile('<td>(.*)</td>')
searchTest = patTest.findall(test2.getText())
print test2 # gives: <table><tr><td>date</td></tr></table> 
print type(test2) # gives: <class 'BeautifulSoup.Tag'>
print searchTest #gives: []

编辑4-解决方案

import re
import mechanize
from BeautifulSoup import BeautifulSoup

htmlA1 = br.response().read()
stripped = htmlA1.replace(">\n<","><") #stripped '\n' from html
soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #table I need to work with

print type(table3) # gives <class 'BeautifulSoup.Tag'>
strTable3 = str(table3) #convert table3 to string type so i can regex it

patFinal = re.compile(('(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)</td><td align="center">'
                      '<font color="#006633"><a href="profiles.php\?XID=(\d+)">'
                      '<font color="#006633">(\w+)</font></a> hospitalized <a'), re.IGNORECASE)
searchFinal = re.findall(patFinal, strTable3)

for i in searchFinal:
    print (i)

---

样本输出

('19/11/11', '1:08:07 AM', 'ID_user1', 'user1')
('19/11/11', '1:06:55 AM', 'ID_user1', 'user1')
('19/11/11', '1:05:46 AM', 'ID_user1', 'user1')
('19/11/11', '1:04:33 AM', 'ID_user1', 'user1')
('19/11/11', '1:03:32 AM', 'ID_user1', 'user1')
('19/11/11', '1:02:37 AM', 'ID_user1', 'user1')
('19/11/11', '1:00:43 AM', 'ID_user1', 'user1')
('19/11/11', '12:55:35 AM', 'ID_user2', 'user2')

编辑5-一个更简单的解决方案（第一次尝试时-没有Beautifulsoup）

import re

reAttack = (r'<td\s+align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+\s+\w+)</td>\s*'
            '<td.*?' #accounts for the '\n'
            '<font\s+color=#006633>(\w+)</font></a>\s+hospitalized\s+')

for m in re.finditer(reAttack, htmlA1):
    print 'date: %s; time: %s; player: %s' % (m.group(1), m.group(2), m.group(3))

样本输出

date: 19/11/11; time: 1:08:07 AM; player: user1
date: 19/11/11; time: 1:06:55 AM; player: user1
date: 19/11/11; time: 1:05:46 AM; player: user1
date: 19/11/11; time: 1:04:33 AM; player: user1
date: 19/11/11; time: 1:03:32 AM; player: user1
date: 19/11/11; time: 1:02:37 AM; player: user1
date: 19/11/11; time: 1:00:43 AM; player: user1
date: 19/11/11; time: 12:55:35 AM; player: user2

Answer 1

这对我有用：

reAttack = r'<td\s+align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+\s+\w+)</td>\s*<td.*?<font\s+color=#006633>(\w+)</font></a>\s+hospitalized\s+'

for m in re.finditer(reAttack, htmlA1):
  print 'date: %s; time: %s; player: %s' % (m.group(1), m.group(2), m.group(3))

live demo

在一个正则表达式中执行所有操作都会使正则表达式更加混乱，但这比单独匹配每个TD并在之后尝试同步它们要容易得多。regex中间附近的.*?假设所有元素都由新行分隔，如您的原始示例中所示。如果不能假设，则应该将.*?替换为(?:(?!/?td>).)*，以便在当前TD元素中包含匹配项。在

仅供参考，你的样本数据有些不一致。有些属性值被引用了，而大多数属性值没有被引用，并且您混合了<br>和{}标记。我为我的演示规范化了所有内容，但是如果这代表了您的真实数据，您将需要一个更复杂的regex。或者您可以切换到纯DOM解决方案，这在一开始可能会更容易。；）

Answer 2

从你的描述来看，我还没弄清楚你到底想干什么。但我现在可以告诉你一件事：对于正则表达式，Python原始字符串是您的朋友。在

尝试使用r'pattern'而不是仅仅在beauthoulsoup程序中使用'pattern'。在

另外，当您使用正则表达式时，有时从简单的模式开始，验证它们是否有效，然后构建它们是很有价值的。你已经直接进入了复杂的模式，我确信它们不起作用，因为你没有使用原始字符串和反斜杠。在

Answer 3

.findNext()方法将返回一个BeautifulSoup.Tag对象，该对象不能传递给re.findall。因此，您需要使用.getText()（或类似的方法从Tag对象获取文本。或者.contents获取该标记内的html）。另外，当使用re.compile时，返回的对象是您需要调用findall的对象。在

这个：

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #this is the table I need to work with

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = re.findall(patAttackDate, table3)

应该这样写（最后一行是唯一需要更改的内容）：

^{pr2}$

BeautifulSoup Documentation

从^{} docs：

re.compile(pattern, flags=0)

Compile a regular expression pattern into a regular expression object.

This:
result = re.match(pattern, string)

is equivalent to:
prog = re.compile(pattern)
result = prog.match(string)