python - 正则表达式读取标签 Python

Question

我想用正则表达式读取标签中的元素，例如：

<td>Stuff Here</td>
<td>stuff 
</td>

我正在使用以下内容：re.findall(re.compile('<td>(.*)</td>'), str(line).strip())

为什么我可以读取第一个<td>标签，而不能读取第二个标签？

Answer 1

对于一般情况，您不能使用正则表达式来解析标记。你能做的最好的就是开始使用 HTML 解析器，那里有很多不错的选择，恕我直言Beautiful Soup是一个不错的选择。

Answer 2

首先，我假设它line包含整个 HTML 文档，而不是其名称所暗示的单行。

一个问题是，默认情况下，.与换行符不匹配：

In [3]: re.findall('.', '\n')
Out[3]: []

您要么需要删除嵌入的换行符（strip()顺便说一句），要么使用re.DOTALL：

In [4]: re.findall('.', '\n', re.DOTALL)
Out[4]: ['\n']

此外，您应该将 更改.*为.*?以使表达式非贪婪。

另一个更大的问题是基于正则表达式的方法不足以解析任意 HTML。请参阅RegEx match open tags except XHTML self-contained tags以获得很好的讨论。