在python中使用OR与正则表达式匹配元素[重复]答案

【问题标题】：matching elements using OR with regex in python [duplicate]在python中使用OR与正则表达式匹配元素[重复]
【发布时间】：2012-09-10 15:06:20
【问题描述】：

我在 python 中使用正则表达式从 html 中提取数据。我写的正则表达式是这样的：

result = re.findall(r'<td align="left"  csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+|<td align="lef(.*?)" >(.*?)</td>\s+', webpage)

假设这将是遵循任一格式的 td -

<td align="left"  csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+

或

<td align="lef(.*?)" >(.*?)</td>

这是因为 td 可以在该特定单元格中采用不同的格式（要么有带链接的数据，要么甚至根本没有数据）。

我假设我使用的 OR 条件不正确 - 相信 OR 只匹配正则表达式前面的“just”和正则表达式后面的“just”，而不是两个完整的 td 标签之间。

我的问题是，我如何将它分组（例如用括号），以便 OR 在整个 td 标签之间匹配。

【问题讨论】：

【解决方案1】：

您正在使用正则表达式，但是将 XML 与此类表达式匹配起来太复杂、太快了。

改用 HTML 解析器，Python 有几个可供选择：

元素树示例：

from xml.etree import ElementTree

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

【讨论】：

【解决方案2】：

在<td align="left" csk="(\d\d\d\d)\d\d\d\d"><a href=.?*>(.*?)</a></td>\s+ 中，.?* 应替换为.*?。

而且，为了回答您的问题，您可以使用非捕获分组来做您想做的事情，如下所示：

(?:first_regex)|(?:second_regex)

顺便说一句。您也可以将\d\d\d\d 替换为\d{4}，我认为这样更易于阅读。

【讨论】：