正则表达式读取标签Python

Question

我想用regex读取标签内的元素，例如：

<td>Stuff Here</td>
<td>stuff 
</td>

我使用以下内容：re.findall(re.compile('<td>(.*)</td>'), str(line).strip())

为什么我可以阅读第一个<td>标签，但不是第二个？{/ p>

Answer 1

对于一般情况，您can't use regular expressions for parsing markup。你可以做的最好的事情是开始使用HTML解析器，那里有很多good options，恕我直言Beautiful Soup是一个不错的选择。

Answer 2

首先，我假设line包含整个HTML文档，而不仅仅是其名称所暗示的单行。

一个问题是，默认情况下，.与换行符不匹配：

In [3]: re.findall('.', '\n')
Out[3]: []

您需要删除嵌入的换行符（strip()不执行BTW），或使用re.DOTALL：

In [4]: re.findall('.', '\n', re.DOTALL)
Out[4]: ['\n']

此外，您应该将.*更改为.*?以使表达式非贪婪。

另一个更大的问题是，基于正则表达式的方法不足以解析任意HTML。请参阅RegEx match open tags except XHTML self-contained tags进行讨论。