python正则表达式问题匹配td元素内的链接

Question

我正在尝试使用正则表达式匹配表中的单元格,但问题不是所有单元格都遵循相同的模式.例如,td可以采用以下格式:

<td><a href="page101010.html">PageNumber</a></td>

或这种格式:

<td align="left" ></td>

基本上,td中的超链接部分并不存在,只是在某些部分.

我尝试使用下面的python正则表达式代码匹配这种情况,但它失败了.

match = re.search(r'<td align="left" ><?a?.+\>?(.+)\<?\/?a?\>?\<\/td\>', tdlink)

我只需要'匹配'来找到上面()中包含的部分.但是我收到语法错误或无对象消息.

我哪里错了？

Answer 1

您正在使用正则表达式,并且将XML与此类表达式匹配变得太复杂,太快.

使用HTML解析器,Python有几个可供选择:

• ElementTree是标准库的一部分
• BeautifulSoup是一个受欢迎的第三方图书馆
• lxml是一个快速且功能丰富的基于C的库.

ElementTree示例:

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('tr'):
    print ElementTree.tostring(elem)