Question

这是我的html数据：

<td>4.2.2</td>,
<td align="center"><a href="https://blah.org/blah-4.2.2.zip">zip</a> (<a  href="https://blah.org/blah-4.2.2.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2.zip.sha1">sha1</a>)</td>,
<td align="center"><a href="https://blah.org/blah-.2.2.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.2.tar.gz.md5">md5</a>|<ahref="https://blah.org/blah-4.2.2.tar.gz.sha1">sha1</a>)</td>,
<td align="center"><a href="https://blah.org/blah-4.2.2-IIS.zip">IISzip</a> (<a href="https://blah.org/blah-4.2.2-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2-IIS.zip.sha1">sha1</a>)</td>,
<td>4.2.1</td>,
<td align="center"><a href="https://blah.org/blah-4.2.1.zip">zip</a> (<a href="https://blah.org/blah-4.2.1.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.zip.sha1">sha1</a>)</td>,
<td align="center"><a href="https://blah.org/blah-4.2.1.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.1.tar.gz.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.tar.gz.sha1">sha1</a>)</td>,
<td align="center"><a href="https://blah.org/blah-4.2.1-IIS.zip">IIS zip</a> (<a href="https://blah.org/blah-4.2.1-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1-IIS.zip.sha1">sha1</a>)</td>,
<td>4.2</td>
<td>1.0-platinum</td>

等。

我想在页面中向下搜索并仅删除版本号：

<td>4.2.2</td>

标记。例如：

4.2.2

4.2.1

4.2

1.0 - 铂

到目前为止，我已经尝试过：

for tag in html.find_all('tbody', limit=1, string=re.compile("\<td\>(.*?)\<\/td\>")):
print(tag.content)

没有

rpart=html.find('tbody')
for tds in rpart.find_all('td'):
print(tds.find_all('\<td\>(.*?)\<\/td>'))

没有

results=rpart.find_all('td', tds=re.compile("\<td\>(.*?)\<\/td\>"))

没有

wphtml.find('tbody').find_all('td', tds=re.compile('\<td\>(.*?)\<\/td\>'))

没有

 for p in rpart.find_all('td', digits=re.compile('\<td\>(.*?)\<\/td\>')):
 print(p.contents)

没有

我注意到rpart的类型是“ResultSet”，所以我愿意打赌我失踪的东西。在地球上，我做错了什么？

Answer 1

首先，第三个标签的最后一个标签中缺少空格。这可能导致使用BeautifulSoup解析问题。

有两种方法可以使用您提供的文字轻松解决此问题：

BeautifulSoup：

html = BeautifulSoup(htmlString, 'html.parser')
for tag in html.find_all('td', align=None):
    print(tag.string)

Pure Regex（no BeautifulSoup）：

for val in re.findall(re.compile('\<td\>(.*?)\<\/td\>'), htmlString):
    print val

我能说的最好，因为当使用＆＃34; find_all＆＃34;时，BeautifulSoup正在搜索标签名称。函数，re.compile将使用正则表达式来查找与模式匹配的标记名称。例如，如果你想找到所有＆＃34; tbody＆＃34;和＆＃34; td＆＃34;标签，你可以使用这个：

for tag in html.find_all(re.compile('t[d|b]')):
    print tag.string

然后，您可以从找到的标记访问开始和结束标记中的属性或值/字符串。我还没有找到使用BeautifulSoup按照值/字符串查找标记的方法。

如果有帮助，请参考以下几个示例：BeautifulSoup Documentation - A Regular Expression

另外，在BeautifulSoup中，＆＃34; find_all＆＃34;中的re.compile。用于＆＃34;过滤/匹配＆＃34;，不用于捕获组。意思是，正则表达式是一种匹配的模式。在这种情况下，您无法使用（。*？）提取部分值进行比较。

Answer 2

正确的正则表达式是helpers do def emphasise word word ? "<em>#{word}</em>" : word end def bracket word word ? "(#{word})" : word end end。使用<td>(\d+(?:\.\d+)*)</td>不需要BeautifulSoup：

re.findall

Python BeautifulSoup find_all re.compile在一组标签中查找任何内容

2 个答案: