使用python的正则表达式模式在HTML页面中搜索

时间:2012-07-02 12:48:41

标签: python html regex parsing html-parsing

我正在尝试在已知模式的HTML页面中找到一个字符串。 例如,在以下HTML代码中:

<TABLE WIDTH="100%">
<TR><TD ALIGN="LEFT" width="50%">&nbsp;</TD>
<TD ALIGN=RIGHT VALIGN=BOTTOM WIDTH=50%><FONT SIZE=-1>( <STRONG>1</STRONG></FONT> <FONT SIZE=-2>of</FONT> <STRONG><FONT SIZE=-1>1</STRONG> )</FONT></TD></TR></TABLE>
<HR>
<TABLE WIDTH="100%">
<TR>    <TD ALIGN="LEFT" WIDTH="50%"><B>String 1</B></TD>
    <TD ALIGN="RIGHT" WIDTH="50%"><B><A Name=h1 HREF=#h0></A><A  HREF=#h2></A><B><I></I></B>String</B></TD>
</TR>
<TR><TD ALIGN="LEFT" WIDTH="50%"><b>String 2.</B>
</TD>
<TD ALIGN="RIGHT" WIDTH="50%"> <B>
String 3
</B></TD>
</TR>
</TABLE>
<HR>
<font size="+1">String 4</font><BR>
...

我想找到 String 4 ,我知道它总会在

之间

<HR><font size="+1">
   和</font><BR>

如何使用RE搜索字符串?

编辑:

我尝试了以下内容,但没有成功:

p = re.match('<HR><font size="+1">(.*?)</font><BR>',html)

感谢。

3 个答案:

答案 0 :(得分:3)

re.findall(r'<HR>\s*<font size="\+1">(.*?)</font><BR>', html, re.DOTALL)

findall返回一个列表,其中包含正则表达式括号中捕获的所有内容。我使用了re.DOTALL,因此点也捕获了行尾。

我使用\s*,因为我不确定是否会有空格。

答案 1 :(得分:2)

这可行,但可能不太健壮:

import re
r = re.compile('<HR>\s?<font size="\+1">(.+?)</font>\s?<BR>', re.IGNORECASE)
r.findall(html)

最好使用正确的HTML解析器。 BeautifulSoup非常好用且易于使用。仔细看看。

答案 2 :(得分:0)

re.findall(r'<HR>\n<font size="\+1">([^<]*)<\/font><BR>', html, re.MULTILINE)