1

我刚开始学习 Python，遇到了一个小问题。我需要解析一个文本文件，更具体地说是一个 HTML 文件（但它的语法很奇怪 - divs after divs after divs，Google 对某个 PDF 的“查看为 HTML”的结果我似乎无法提取文本因为它有一个用 m$ word 完成的凌乱表格）。

无论如何，我选择了一种相当低级的方法，因为我只需要尽快获得数据，而且由于我开始学习 Python，我认为学习基础知识对我也有好处。

除了一小部分我需要从一组 div 中检索一组整数之外，我已经完成了所有工作。这是一个例子：

<div style="position:absolute;top:522;left:1020"><nobr>*88</nobr></div>

现在我想检索里面的所有数字<nobr></nobr>（在这种情况下，'588'），因为它是一个非常混乱的文件，我必须确保我得到的内容是正确的。为此，里面的数字<nobr></nobr>必须以"left:1020","left:1024"或开头"left:1028"。这是因为自动转换，我认为最好的选择是获取前面的所有数字left:102[0-]。

为此，我试图使用：

for o in re.finditer('left:102[0-9]"><nobr>(.*?)</nobr></div>', words[index])
    out = o.group(1)

但到目前为止，没有这样的运气......我怎样才能得到这些数字？

在此先感谢，J。

4

1 回答 1

1

不要使用正则表达式来解析 HTML。BeautifulSoup会轻松解决这个问题。

至于您的具体问题，可能是您在第一行末尾缺少一个冒号：

for o in re.finditer('left:102[0-9]"><nobr>(.*?)</nobr></div>', words[index]):
    out = o.group(1)

如果这不是问题，请按照您期望的输出发布您遇到的错误。

于 2010-01-28T11:36:08.890 回答