[已解决]python 网页正则匹配 急！

凌志

截取的网页内容为：
</tr><tr bgcolor=#ffffff height=30> <td  align=center height=30> 必修课</td>
<td  align=center> 0822502007</td>
<td  align=center> 非平稳随机信号处理</td>
<td  align=center> 0</td>
<td  align=center> 2013</td>
<td  align=center> 2</td>
<td  align=center> 40</td>
<td  align=center> 2</td>
<td  align=center> 专业</td>
<td  align=center> 考试</td>
<td  align=center> 90</td>
<td  align=center> <a onclick="return confirm('确认退课？');" href='TuiKe.jsp?bh=1822894'>退课</a></td>

需要提取第八行的 2， 和第十一行的90，我使用的正则表达式为r'</tr>.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?>(.*?)</td><td.*?<td.*?<td.*?>(.*?)</td><td.*?</td>'
使用的语句为：
myItems = re.findall('</tr>.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?>(.*?)</td><td.*?<td.*?<td.*?>(.*?)</td><td.*?</td>', page, re.S)
其中，page为网页的代码。
可是匹配不出来，郁闷啊！弄了好久，都不行！希望哪位大神不吝赐教，不胜感激！

最佳答案

月排行榜 / 总排行榜

kunaiai

2016-3-21 16:13:48

.是表示非换行符的所有字符  你html里有换行符吗  可以加个re.DOTALL  
看到了简写   re.S当我没说

跳转到最佳答案楼层

hldh214

这样写正则容易出错而且人家稍微改一下网页结构就得重写
你要分析所需数据有什么独一无二的特征, 对应的去写正则,

凌志

hldh214 发表于 2016-3-21 15:39
这样写正则容易出错而且人家稍微改一下网页结构就得重写
你要分析所需数据有什么独一无二的特征, 对应的去 ...

非常感谢您的回答，我是初学者，对这个理解不深刻。这是一个分数的网页，其他各科的网页代码也是这样的。如果像问题那样提出需要的正确内容，那正则表达式该是什么样的啊！非常感谢

kunaiai

.是表示非换行符的所有字符  你html里有换行符吗  可以加个re.DOTALL  
看到了简写   re.S当我没说

hldh214

凌志 发表于 2016-3-21 16:07
非常感谢您的回答，我是初学者，对这个理解不深刻。这是一个分数的网页，其他各科的网页代码也是这样的。 ...

这时候可能正则就比较复杂了, 用html解析的包吧, beautifulsoup之类的

凌志

hldh214 发表于 2016-3-21 16:13
这时候可能正则就比较复杂了, 用html解析的包吧, beautifulsoup之类的

好的，非常感谢！哎，这个正则的内容太复杂了！

凌志

kunaiai 发表于 2016-3-21 16:13
.是表示非换行符的所有字符  你html里有换行符吗  可以加个re.DOTALL  
看到了简写   re.S当我没说

仍然非常感谢！

kunaiai

<tr bgcolor=#ffffff height=30> <td  align=center height=30> 必修课</td>
<td  align=center> 0822502007</td>
<td  align=center> 非平稳随机信号处理</td>
<td  align=center> 0</td>
<td  align=center> 2013</td>
<td  align=center> 2</td>
<td  align=center> 40</td>
<td  align=center> 2</td>
<td  align=center> 专业</td>
<td  align=center> 考试</td>
<td  align=center> 90</td>
<td  align=center> <a onclick="return confirm('确认退课？');" href='TuiKe.jsp?bh=1822894'>退课</a></td>
如果格式是固定的  那就 只匹配 r'<td  align=center> (.*?)</td> '
得到一个列表  在按某些规律取你想要的

凌志

kunaiai 发表于 2016-3-21 16:24
必修课
0822502007
非平稳随机信号处理

我也考虑过这个办法，但是不行啊，前面会匹配出一些，不需要的内容！

kunaiai

凌志 发表于 2016-3-21 16:30
我也考虑过这个办法，但是不行啊，前面会匹配出一些，不需要的内容！

所以就要按某些规律取你要的啊  比如myItems[7]  myItems[10]

kunaiai

myItems = re.findall('</tr>.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?>(.*?)</td><td.*?<td.*?<td.*?>(.*?)</td><td.*?</td>', page, re.S)
表达式是不是少了个r

myItems = re.findall(r'</tr>.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?>(.*?)</td><td.*?<td.*?<td.*?>(.*?)</td><td.*?</td>', page, re.S)

凌志

kunaiai 发表于 2016-3-21 16:46
myItems = re.findall('.*?

不是的，加上r只是便于一些转义字符的书写。在这对结果是没有影响的

凌志

kunaiai 发表于 2016-3-21 16:46
myItems = re.findall('.*?

已解决，正则表达式为：</tr>.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?<td.*?>(.*?)</.*?<td.*?<td.*?<td.*?>(.*?)</td> 其实问题主要就是纠结在换行符上！