Question

根据
标签的出现，拆分HTML文档/字符串的最佳方法是什么？我已经给出了我目前在下面提供的解决方案，但它看起来相当麻烦，并且我认为并不是那么容易阅读。我也尝试过正则表达式，但我被告知我不应该使用正则表达式来解析HTML

for i, br in enumerate(soup.findAll('b')):
line_value = ''
line_values = []
next = br.next
while (next):
    if next and isinstance(next, Tag) and next.name == 'br':
        line_values.append(line_value)
        line_value = ''
    else:
        stripped_text = ''.join(BeautifulSoup(str(next).strip()).findAll(text=True))
        if stripped_text:
            line_value += stripped_text
    next = next.nextSibling
print line_values

以下是我正在解析的HTML示例：

<p><font size="1" color="#800000"><b>09:00
  <font> - </font>
  11:00
  <br>
  CE4817
  <font> - </font>LAB <font>- </font>
  2A
  <br>
   B2043 B2042
  <br>

  Wks:1-13
  </b></font>
  </p>

我的代码的当前结果：

[u'09:00 - 11:00', u'CE4817 - LAB- 2A', u'B2043 B2042']
[u'11:00 - 12:00', u'CE4607 - TUT- 3A', u'A1054']

Answer 1

用正则表达式分割

import re
p = re.compile(r'<br>')
filter(None, p.split(yourString))

然后，您可以从数组中返回的每个字符串中删除其他html标记。

您可以使用现有功能，例如Strip html from strings in python 或检查我对问题Stripping HTML tags without using HtmlAgilityPack的回答。

同时检查此答案：RegEx match open tags except XHTML self-contained tags

你应该真的使用html解析器来完成你的任务

Answer 2

试试这个：

<强>正则表达式

<p><font size="1" color="#800000"><b>(\d{2}:\d{2}).*?(\d{2}:\d{2}).*?(\w{2}\d{4}).*?<font> - </font>(\w+)\s*<font>- </font>\s*(\d\w)\s*<br>\s*(\w\d{4}\s*\w\d{4})\s*<br>[\s\S]*?</p>

<强>模式

m - 多行

只要html代码的结构没有改变，这将有效。

在标记处拆分HTML文档 - Python

2 个答案: