Python模式匹配

Answer 1

你不会自己解析HTML。您将使用python中构建的html解析器来解析html。

• Lightweight xml dom parser in python
• Beautiful Soup

Answer 2

您可以使用xxs

轻松地使用lxml提取您正在寻找的值

• lxml
• xpath

实施例

from lxml import html
page = html.fromstring(open("um.htm", "r").read())
matches = page.xpath("//a[contains(@title, 'pm.') or contains(@title, 'ol')]/span")
print [elem.text for elem in matches]

Answer 3

使用：

• BeautifulSoup
• lxml

使用正则表达式解析HTML是一种灾难。

Answer 4

使用正则表达式无法可靠地匹配HTML。通常可以将一些适用于特定页面的内容拼凑在一起，但这是不可取的，因为即使对源HTML进行微妙调整也会使您的所有工作无效。 HTML只是比Regex能够描述的结构更复杂。

正确的解决方案是使用专用的HTML解析器。请注意，即使是XML解析器也无法满足您的需求，无论如何都不可靠。有效的XHTML是有效的XML，但即使它非常相似，即使是有效的HTML也不是。无论如何，有效的HTML / XHTML几乎不可能在野外找到。

有几种不同的HTML解析器可用：

• BeautifulSoup不在标准库中，但它是最宽容的解析器，它可以处理几乎所有的真实HTML，并且它的设计完全符合您的目的。
• HTMLParser包含在Python标准库中，但对于仅接受有效的HTML非常严格。
• htmllib也在标准库中，但已弃用。

正如其他人所说，BeautifulSoup几乎肯定是您的最佳选择。