在python中使用OR和regex匹配元素

Question

我在python中使用regex从html中提取数据。我写的正则表达式是这样的：

result = re.findall(r'<td align="left"  csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+|<td align="lef(.*?)" >(.*?)</td>\s+', webpage)

假设这将是遵循格式 -

之一的td

<td align="left"  csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+

OR

<td align="lef(.*?)" >(.*?)</td>

这是因为td可以在该特定单元格中采用不同的格式（要么具有带链接的数据，要么根本没有数据）。

我假设我使用的OR条件不正确 - 相信OR只匹配正则表达式之前的“just”和正则表达式之后的“just”，而不是两个整个td标记之间的匹配。

我的问题是，如何对其进行分组（例如使用paranthesis），以便在整个td标记之间匹配OR。

Answer 1

您正在使用正则表达式，但将XML与此类表达式匹配会变得太复杂，太快。

使用HTML解析器，Python有几种可供选择：

• ElementTree是标准库的一部分
• BeautifulSoup是受欢迎的第三方图书馆
• lxml是一个快速且功能丰富的基于C的库。

ElementTree示例：

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('tr'):
    print ElementTree.tostring(elem)

Answer 2

在<td align="left" csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+中，.?*应替换为.*?。

而且，要回答您的问题，您可以使用非捕获分组来执行您想要的操作，如下所示：

(?:first_regex)|(?:second_regex)

顺便说一句。您也可以将\d\d\d\d替换为\d{4}，我认为这更容易阅读。