Question

我正在使用BeautifulSoup从表中提取tabledata标签。 TD有一类“a”，“u”，“e”，“可用不可用”或“不可用”。（是的，我知道古怪的班级名字，但是嘿......）

以下是一个例子：

<tr>
  <td class="u">4</td>
  <td class="unavailable-available">5</td>
  <td class="a'>6</td>
  <td class="available-unavailable">7</td>
  <td class="u">8</td>
  ...

我一直在使用包含re.compile（）的行：

  tab = [int(tag.string) for tag in soup.find('table',{'summary':tableSummary}).findAll("td", attrs = {"class": re.compile('\Aa')})]

我需要提取所有td的类名为'a'和'unavailable-available'。我一直在尝试一些负面的前瞻性断言，但没有太多运气。我会重视能够产生正确正则表达式的任何正则表达式传说......

Answer 1

table.findAll('td', attrs = {"class":re.compile(r'(^|\s)(a|unavailable-available)($|\s)')})

这匹配字符串或空格的开头，后跟“a”或“不可用”，后跟空格或字符串结尾。所以它会匹配所有这些东西

class="a"
class="a ui-xxx"
class="ui-xxx a"
class="ui-xxx a ui-yyy"
class="unavailable-available"
class="unavailable-available foo"

Answer 2

HA！

re.compile('^a(?!vail)|^un')

匹配所有以'vail'开头并且所有开头'un'的开头。好联合国！

Answer 3

我向其他人的RE力量低头。但作为BS + RE的另一个数据点，这里是一个pyparsing的再现（假设那些令人讨厌的不匹配的引号得到修复）：

html = """
<tr> 
  <td class="u">4</td> 
  <td class="unavailable-available">5</td> 
  <td class="a">6</td> 
  <td class="available-unavailable">7</td> 
  <td class="u">8</td> 
"""

from pyparsing import makeHTMLTags, withAttribute, oneOf, SkipTo

# define opening and closing tag expressions
td,tdEnd = makeHTMLTags("TD")

# only want opening TD's with certain classes
td.setParseAction(withAttribute(**{'class':oneOf("a unavailable-available")}))

# define overall pattern
patt = td + SkipTo(tdEnd)("contents") + tdEnd

# search for matches
for t in patt.searchString(html):
    print t.dump()

打印：

['TD', ['class', 'unavailable-available'], False, '5', '</TD>']
- class: unavailable-available
- contents: 5
- empty: False
- endTd: </TD>
- startTd: ['TD', ['class', 'unavailable-available'], False]
  - class: unavailable-available
  - empty: False
['TD', ['class', 'a'], False, '6', '</TD>']
- class: a
- contents: 6
- empty: False
- endTd: </TD>
- startTd: ['TD', ['class', 'a'], False]
  - class: a
  - empty: False

对于每个匹配，您还可以直接访问t.contents和t['class']（必须使用dict语法，因为class是Python关键字）。

带有子模式异常的正则表达式模式（Python）

3 个答案: