Python HTML 正则表达式

Question

使用以下 txt 文件的正确输出应该是：PlayerA 29.2 PlayerB 32.2

我有一个 txt 文件，其中包含如下所示的 html， 我正在尝试使用 python 2.6 正则表达式来收集所有玩家姓名和评分。

玩家名字第一次出现在第 4 行，评分出现在第 16 行。(29.2)

然后下一个玩家的名字出现在第 22 行，评分出现在第 35 行。 等等……

fileout = open('C:\Python26\hotcold.txt')
read_file = fileout.readlines()
source = str(read_file)

expression = re.findall(r"(LS=113>.+?", source)
print expression

我试图创建一个可以找到所有名称和评级的表达式，但它不起作用..

<tr class="stats">
<td class="stats" colspan="1" valign="top">
<a href="index.php?c=playerview&amp;P=245&amp;LS=113">
PlayerA
</a>
</td>
<td class="stats" colspan="1" valign="top">
<b>
 4
</b>
,
<b>
 8
 </b>
</td>
<td class="stats" colspan="1" valign="top">
29.2
</td>

<tr class="stats">
<td class="stats" colspan="1" valign="top">
<a href="index.php?c=playerview&amp;P=245&amp;LS=113">
PlayerB
</a>
</td>
<td class="stats" colspan="1" valign="top">
<b>
 4
</b>
,
<b>
 8
 </b>
</td>
<td class="stats" colspan="1" valign="top">
32.2
</td>

Answer 1

我建议使用Beautiful Soup 来解析 HTML 并获取您想要的值。

使用以下代码：

from bs4 import BeautifulSoup

with open('sample.html', 'r') as html_doc:

    soup = BeautifulSoup(html_doc, 'html.parser')

    for row in soup.find_all('tr', 'stats'):        
        row_tds = row.find_all_next('td')
        print('{0} {1}'.format(
            row_tds[0].find('a').string.strip() if row_tds[0].find('a').string else 'None', 
            row_tds[2].string.strip() if row_tds[2].string else 'None')
        )

输出：

$ python testparse.py
PlayerA 29.2
PlayerB 32.2

工作。

Answer 2

另外，我建议使用适当的 html 解析器而不是依赖正则表达式 - 尽管 BeautifulSoup 实际上是一个非常好的且易于使用的库。

在您的示例中，缺少 <td> 之间的结束 <tr> 标记？

编辑：使用 OP 示例作为源

无论如何，使用 lxml.html 和简单的 xpath 来获得您期望的结果：

In [1]: import lxml.html

# sample.html is the same as in OP sample
In [2]: tree = lxml.html.parse("sample.html")

In [3]: root = tree.getroot()

In [4]: players = root.xpath('.//td[@class="stats"]/a/text()')

In [5]: stats = root.xpath('//td[@class="stats" and normalize-space(text())]/text()')

In [6]: print players, stats
['\nPlayerA\n', '\nPlayerB\n'] ['\n29.2\n', '\n32.2\n']

In [7]: for player, stat in zip(players, stats):
   ...:     print player.strip(), stat.strip()
   ...:
PlayerA 29.2
PlayerB 32.2