Question

我想在剥离标签后分配HTML的内容。这是我最初删除标签的html：

    <tr class="suite">
        <td colspan="2" class="totalLabel">Total</td>

            <td class="zero number">0</td>

            <td class="skipped number">4</td>

            <td class="zero number">0</td>

        <td class="passRate suite">
            0%
          </td>

  </tr>

使用正则表达式剥离标记的方法：

import re
import os

if os.path.isfile(some_html_file):
        with open(some_html_file) as f:
            data = f.read()
before = '<td colspan="2" class="totalLabel">Total</td>'
after  = '</tr>'
start = data.find(before) + len(before)
stop  = data.find(after, start)
d = data[start:stop]

def stripHTMLTags (html):
  text = html
  rules = [
    { r'>\s+' : u'>'},         # remove spaces after a tag opens or closes
    { r'\s+' : u' '},                 # replace consecutive spaces
    { r'[ \t]*<[^<]*?/?>' : u'' },    # remove remaining tags
    { r'^\s+' : u'' }                 # remove spaces at the beginning
  ]

  for rule in rules:
    for (k,v) in rule.items():
      regex = re.compile (k)
      text  = regex.sub (v, text)

  return text

print stripHTMLTags(d)

以下是我得到的输出：0400%

但是，我想将每个HTML td标记的内容分配给变量和 所以，我预期的最终输出 将是：

A = 0
B = 4
C = 0
D = 0%

分配这些变量的最佳方法是什么？另外，有没有一种方法可以组合我的正则表达式的规则，并具有更简单的正则表达式命令形式？其他使用正则表达式的方法会有所帮助。

Answer 1

现在您正在删除所有标记文本。您不应该这样做，因为标记文本为您提供了识别每个值的开始和结束所需的结构。当数字大于一位数时，你会怎么做？ 10384003899 - 前面是103或10或1038？

相反，请修改现有框架。写一个可以使用分组来提取单个TD元素值的正则表达式。就像是 <td>(.*)</td>（除非我保证不起作用）。然后，您可以遍历您的字符串，一次又一次地匹配该模式，直到它失败，将每个匹配追加到列表中。完成后，您将获得一个值列表，然后您可以随意操作这些值。

Answer 2

要关注评论，为了完整起见，您可以使用BeautifulSoup HTML parser来获取总数。

我们的想法是找到td类的totalLabel元素并获取next td siblings：

from bs4 import BeautifulSoup   

data = """
<tr class="suite">
    <td colspan="2" class="totalLabel">Total</td>
    <td class="zero number">0</td>
    <td class="skipped number">4</td>
    <td class="zero number">0</td>

    <td class="passRate suite">
        0%
    </td>
</tr>
"""

soup = BeautifulSoup(data, "html.parser")

totals = [td.get_text(strip=True) 
          for td in soup.find("td", class_="totalLabel").find_next_siblings("td")]
print(totals)

打印：

['0', '4', '0', '0%']

Answer 3

答案不完整（需要最后一步的帮助）

my_html_file内容：

A = 0
B = 4
C = 0
D = 0%

这让我：

{{1}}

如何将r.sub（r＆＃39; \ 2 \ n＆＃39;，m）的输出分配给变量，例如：

{{1}}

以上是我的需要。

使用Python剥离标签后分配HTML内容（正则表达式解析）

3 个答案: