使用python regex从html文件中提取文本时出现问题

Question

我正在做一个项目，这个项目需要我编写一些代码，从python的html文件中提取一些文本。在

<tr>
<td>Target binary file name:</td>
<td class="right">Doc1.docx</td>
</tr>

^我感兴趣的html文件的一小部分。在

^{pr2}$

^我编写的示例代码用于测试是否可以提取数据。 我写了几个类似的程序来从txt文件中提取文本，几乎完全一样，它们工作得很好。关于regex和html，我有什么遗漏吗？在

Answer 1

浏览器所理解的HTML对于reg表达式来说太灵活了。属性可以以任何标记、任何顺序、大写或小写形式弹出，并且可以带有或不带引号。特别强调标记可以显示在任何地方。空白在regex中很重要，但在HTML中不太重要，所以您的regex必须到处都是\s*的。没有要求开始标记与结束标记匹配。一些开始标记包括尾随的“/”，这意味着它们是空标记（没有正文，没有结束标记）。最后，HTML通常是嵌套的，就regex而言，这与图表无关。在

Answer 2

这实际上是您要做的，还是只是一个简单的示例，稍后再使用更复杂的regex？如果是后者，那就听听其他人的意见。如果前者：

for line in file:
      if "binary" in line:
            # do stuff

如果不起作用，您确定"binary"在文件中吗？不，我不知道，"<i>b</i>inary"？在

Answer 3

Is there something I'm missing out with regards to regex and html?

是的。您忽略了这样一个事实：某些HTML不能用简单的regex解析。在