Question

我有一个看起来像这样的HTML页面

<tr>
    <td align=left>
        <a href="history/2c0b65635b3ac68a4d53b89521216d26.html">
            <img src="/images/page.gif" border="0" title="полная информация о документе" width=20 height=20>
        </a> 
        <a href="history/2c0b65635b3ac68a4d53b89521216d26_0.html" title="C.">Th</a>
    </td>
</tr>
<tr align=right>
    <td align=left>
        <a href="marketing/3c0a65635b2bc68b5c43b88421306c37.html">
            <img src="/images/page.gif" border="0" title="полная информация о документе" width=20 height=20>
        </a> 
        <a href="marketing/3c0a65635b2bc68b5c43b88421306c37_0.html" title="b">aa</a>
    </td>
</tr>

我需要获取文字

历史/ 2c0b65635b3ac68a4d53b89521216d26.html 营销/ 3c0a65635b2bc68b5c43b88421306c37.html

我在python中编写了一个使用正则表达式的脚本

import re
a = re.compile("[0-9 a-z]{0,15}/[0-9 a-f]{32}.html")
print(a.match(s))

其中s的值是上面的html页面。但是当我使用这个脚本时，我得到"None"。我哪里出错了？

Answer 1

Don't use regex for parsing HTML content.

使用专业工具 - HTML Parser。

示例（使用BeautifulSoup）：

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup

data = u"""Your HTML here"""

soup = BeautifulSoup(data)
for link in soup.select('td a[href]'):
    print link['href']

打印：

history/2c0b65635b3ac68a4d53b89521216d26.html
history/2c0b65635b3ac68a4d53b89521216d26_0.html
marketing/3c0a65635b2bc68b5c43b88421306c37.html
marketing/3c0a65635b2bc68b5c43b88421306c37_0.html

或者，如果您想获得遵循模式的href值，请使用：

import re

for link in soup.find_all('a', href=re.compile(r'\w+/\w{32}\.html')):
    print link['href']

其中r'\w+/\w{32}\.html'是一个正则表达式，应用于找到的每个href标记的a属性。它会匹配一个或多个字母数字字符（\w+），后跟斜杠，后跟正好32个字母数字字符（\w{32}），后跟一个点（\. - 需要转义），然后是html。

DEMO.

Answer 2

您还可以编写类似

的内容

>>> soup = BeautifulSoup(html) #html is the string containing the data to be parsed
>>> for a in soup.select('a'):
...     print a['href']
... 
history/2c0b65635b3ac68a4d53b89521216d26.html
history/2c0b65635b3ac68a4d53b89521216d26_0.html
marketing/3c0a65635b2bc68b5c43b88421306c37.html
marketing/3c0a65635b2bc68b5c43b88421306c37_0.html

使用正则表达式提取html数据

2 个答案: