正则表达式提取数据

Question

如果我必须从HTML页面源中提取某些属性的值。例如：

如果我想获得地址的价值？

    <span class="address">413 W. Street</span></span><br>

编辑：对不起，我理解这个问题不对。 我试着删除这个问题但是没能。我在这里发布了一个新问题： https://stackoverflow.com/questions/9144544/regular-expressions-for-different-attributes

Answer 1

使用正则表达式从原始html中抓取数据有点困难，因为不同站点的模式可能会发生变化。使用可以浏览DOM树的东西更容易。

如果你正在使用python，你可以使用BeautifulSoup。这是文档。它完全符合你的要求。 Link

Answer 2

这是一个python代码。

>>> import re
>>> s = '<span class="address">413 W. Street</span><br><span class="phone">218-999-1020</span>, <span class="region">WA</span> <span class="postal-code">87112</span><br>'
>>> re.findall(r'address">(.*?)<.*phone">(.*?)<.*region">(.*?)<.*postal-code">(.*?)<', s)
[('413 W. Street', '218-999-1020', 'WA', '87112')]
>>> 

BTW, don't forget to see this

Answer 3

您不应该使用正则表达式来解析html。这里有很好的解释：

RegEx match open tags except XHTML self-contained tags

但是，如果您知道要解析的html文本的确切结构，可以尝试使用此正则表达式（为C＃程序准备，因此可能因您的代码语言而异）：

\<span[^">]*class="([^"]+)[^>]*>([^<]*)

然后您可以访问第一个匹配组中的类名称（例如地址，电话等），以及第二个匹配组中的值。