Question

我对Python和正则表达式还很陌生，并且希望从html文件中提取信息。

假设以下是html文件中给出的一行（由于html不能“看到”空格，因此我们的示例位于同一行）

<td (some possible parameters)> EXTRACT_THIS </td> <td (some possible parameters)> ALSO_EXTRACT_THIS </td>

在我当前的代码中：

with open(myInput, 'r') as inputFile:
    for line in inputFile:
        line = line.strip()

        if line != '':

            m = re.findall('<td.*>(.*?)</td>', line)
            if m:
                #strip() again
                print(m)

这只会打印：

['ALSO_EXTRACT_THIS']

而不是我想要的

['EXTRACT_THIS', 'ALSO_EXTRACT_THIS']

我在做错什么吗？我已经研究过了，看来这是一种使用重复定界符提取多个子字符串的方法。

Answer 1

这是因为<td.*>将与它可以匹配的最长字符串<td (some possible parameters)> EXTRACT_THIS </td> <td (some possible parameters)>相匹配。

对于<td>，您也应该使用非贪婪量词：

'<td.*?>(.*?)</td>'

重复定界符并提取定界符之间的字符串

1 个答案: