Question

我正在寻找python中的正则表达式的一些帮助，谷歌让我失望。基本上我正在搜索一些html并且我正在搜索某种类型的表，特别是任何包含背景标记的表（即BGCOLOR）。有些表有这个标签，有些表没有。有人可以帮我解决如何写一个搜索表格开头的正则表达式，然后搜索BGCOLOR但是如果它到达表格的末尾那么它会停止并继续前进吗？

这是一个非常简化的例子，它将服务于目的：

`<TABLE>
<B>Item 1.</B>
</TABLE>

<TABLE>
BGCOLOR
</TABLE>

<TABLE>
<B>Item 2.</B>
</TABLE>`

所以我们有三个表，但我只对找到包含'BGCOLOR'的中间表感兴趣我的正则表达式目前的问题是它搜索起始表标记然后查找'BGCOLOR'并且不关心它是否通过表结束标记：

tables = re.findall('\<table.*?BGCOLOR=".*?".*?\<\/table\>', text, re.I|re.S)

所以它会找到前两个表而不是第二个表。如果有人知道如何处理这种情况，请告诉我。

谢谢，迈克尔

Answer 1

不要使用正则表达式来解析HTML。使用lxml或BeautifulSoup。

Answer 2

不要使用正则表达式来解析HTML - 使用HTML解析器，例如BeautifulSoup。

具体来说，你的情况基本上是必须处理“嵌套括号”（其中一个开放的“parens”是一个开放的<table>标签，相应的封闭的parens是匹配的</table>） - - 正是那种正则表达式无法很好地执行的解析任务。解析HTML的许多工作与这个“匹配的括号”问题完全相关，这使得正则表达式成为一个非常可怕的选择。

你在另一个答案的评论中提到你有一个未指明的BS问题 - 我怀疑你正在尝试最新的3.1版本（已经走下坡路）而不是正确的版本;尝试3.0.8而不是BS's own docs推荐，你可能会更好。

如果您与Evil达成某种协议，永远不会使用正确的工具来完成工作，如果您不需要处理嵌套，那么您的任务可能并非完全不可能匹配），即在另一个表中永远不存在表。在这种情况下，您可以使用r'<\s*TABLE(.*?)<\s*/\s*TABLE'标识一个表（包含re.DOTALL和re.I等合适的标记;使用正则表达式的finditer方法循环所有此类匹配;并在循环体中检查BGCOLOR（在不区分大小写的意义上）是否恰好位于当前匹配的主体内。它仍然比使用HTML解析器更脆弱，更多的工作，但绝对是一个低劣的选择，它不一定是绝望的情况。

如果你做有嵌套表来竞争，那么就是绝望的情况。

Answer 3

如果你的任务就是这么简单，这就是一种方式。拆分<TABLE>然后迭代这些项目并找到所需的模式。

myhtml="""
<TABLE>
<B>Item 1.</B>
</TABLE>

some text1
some text2
some text3

<TABLE>
blah
BGCOLOR
blah
</TABLE>

some texet
<TABLE>
<B>Item 2.</B>
</TABLE>
"""

for tab in myhtml.split("</TABLE>"):
    if "<TABLE>" in tab and "BGCOLOR" in tab:
        print ''.join(tab.split("<TABLE>")[1:])

输出

$ ./python.py

blah
BGCOLOR
blah

Answer 4

这是最终为我工作的代码。它找到了正确的表并在其周围添加了更多标记，以便从组中使用'realTable'的开放和关闭标记进行标识。

soup = BeautifulSoup(''.join(text))
for p in soup.findAll('table'):
    pattern = '.*BGCOLOR.*'
    if (re.match(pattern, str(p), re.S|re.I)):
        tags = Tag(soup, "realTable")
        p.replaceWith(tags)
        text = NavigableString(str(p))
        tags.insert(0, text)
print soup

打印出来：

<table><b>Item 1.</b></table>
<realTable><table>blah BGCOLOR blah</table></realTable>
<table><b>Item 2.</b></table>

正则表达式尝试匹配，直到在python中命中结束标记

4 个答案: