[已解决]新手求助，这段html文件内容怎么获取呢

Jakob

<tr><th class="th40" align="left" valign="middle" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Entry</nobr></th>
<td class="td40" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><table border="0" cellpadding="0" cellspacing="0" width="555"><tr><td align="left"><code><nobr>K06492&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;KO&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<br>
</nobr></code></td><td align="right"><br></td></tr></table></td></tr>


<tr><th class="th41" align="left" valign="top" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Name</nobr></th>
<td class="td41" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><div style="width:555px;overflow-x:auto;overflow-y:hidden"><div style="width:555px;overflow-x:auto;overflow-y:hidden">CD58, LFA3<br>
</div></div></td></tr>


如何正则获得Entry、K06492、Name、CD58, LFA3这几个内容

最佳答案

月排行榜 / 总排行榜

SixPy

2016-11-30 13:02:01

1. html='''
   
2. <tr><th class="th40" align="left" valign="middle" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Entry</nobr></th>
   
3. <td class="td40" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><table border="0" cellpadding="0" cellspacing="0" width="555"><tr><td align="left"><code><nobr>K06492&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;KO&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<br>
   
4. </nobr></code></td><td align="right"><br></td></tr></table></td></tr>
   
5. 
   
6. 
   
7. <tr><th class="th41" align="left" valign="top" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Name</nobr></th>
   
8. <td class="td41" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><div style="width:555px;overflow-x:auto;overflow-y:hidden"><div style="width:555px;overflow-x:auto;overflow-y:hidden">CD58, LFA3<br>
   
9. </div></div></td></tr>
   
10. '''
    
11. 
    
12. import re
    
13. ptn=re.compile(r'<tr>[^<>]*'               
    
14.                r'<th[^>]+?class="th\d\d".*?>([a-z]+)<.*?</th>[^<>]*'
    
15.                r'<td[^>]+?class="td\d\d".*?>([^<>]+)<.*?</td>[^<>]*'
    
16.                r'</tr>'
    
17.                ,re.I + re.S )
    
18. 
    
19. html = html.replace('&nbsp;', ' ')
    
20. rslt = ptn.findall(html)
    
21. for x in rslt:
    
22.     print(x)
    
23. 
    
24.        
    

复制代码

1. ('Entry', 'K06492                      KO                                     ')
   
2. ('Name', 'CD58, LFA3')
   

复制代码

跳转到最佳答案楼层

hldh214

1. <nobr>(.+)</nobr>
   
2. <div style="width:555px;overflow-x:auto;overflow-y:hidden">(.+)<br>
   
3. <nobr>(.+)&
   

复制代码

Jakob

hldh214 发表于 2016-11-30 10:08

这个是正则是吧，调用re.find()?

Jakob

依次提取出来，有木有哪位大神有更好的办法

tmkuej

这个通篇看来都是大写字母开头.里面只有一个KO不是你要的数据.到最后可以把它塞选一次就行.我有点不成熟的想法.

1. import re
   
2. h = '你的字符串'
   
3. p = re.compile(r'[A-Z]+[A-Za-z0-9]+')  #正则表达式对象
   
4. t = p.findall(h) #全匹配
   
5. t = ['Entry', 'K06492', 'KO', 'Name', 'CD58', 'LFA3'] #得到这个列表.可以用一个循环把小于3位的字符串筛掉

复制代码

Jakob

tmkuej 发表于 2016-11-30 11:08
这个通篇看来都是大写字母开头.里面只有一个KO不是你要的数据.到最后可以把它塞选一次就行.我有点不成熟的 ...

我这段的正则表达式该怎么匹配呢

Jakob

能不能有哪位大神指点的详细些

tmkuej

我上面的代码就是写的你这个html的内容.你只用把我写的h='你的字符串'换成你的文件就行
说到这我又想到正则表达式可以直接把OK筛掉

1. p = re.compile(r'[A-Z]+[A-Za-z0-9]{3,5}')  #新的匹配规则{3,5}表式匹配3到5次直接就可以把小于3位大于6位的匹配掉

复制代码

Jakob

tmkuej 发表于 2016-11-30 11:52
我上面的代码就是写的你这个html的内容.你只用把我写的h='你的字符串'换成你的文件就行
说到这我又想到正 ...

那如果我想的是逐个提取，不是这种列表形式该怎么办呢

tmkuej

可以用search方法呀.逐个匹配group方法返回字符串就行了

SixPy

1. html='''
   
2. <tr><th class="th40" align="left" valign="middle" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Entry</nobr></th>
   
3. <td class="td40" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><table border="0" cellpadding="0" cellspacing="0" width="555"><tr><td align="left"><code><nobr>K06492&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;KO&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<br>
   
4. </nobr></code></td><td align="right"><br></td></tr></table></td></tr>
   
5. 
   
6. 
   
7. <tr><th class="th41" align="left" valign="top" style="border-color:#000; border-width: 1px 0px 0px 1px; border-style: solid"><nobr>Name</nobr></th>
   
8. <td class="td41" style="border-color:#000; border-width: 1px 1px 0px 1px; border-style: solid"><div style="width:555px;overflow-x:auto;overflow-y:hidden"><div style="width:555px;overflow-x:auto;overflow-y:hidden">CD58, LFA3<br>
   
9. </div></div></td></tr>
   
10. '''
    
11. 
    
12. import re
    
13. ptn=re.compile(r'<tr>[^<>]*'               
    
14.                r'<th[^>]+?class="th\d\d".*?>([a-z]+)<.*?</th>[^<>]*'
    
15.                r'<td[^>]+?class="td\d\d".*?>([^<>]+)<.*?</td>[^<>]*'
    
16.                r'</tr>'
    
17.                ,re.I + re.S )
    
18. 
    
19. html = html.replace('&nbsp;', ' ')
    
20. rslt = ptn.findall(html)
    
21. for x in rslt:
    
22.     print(x)
    
23. 
    
24.        
    

复制代码

1. ('Entry', 'K06492                      KO                                     ')
   
2. ('Name', 'CD58, LFA3')
   

复制代码

Jakob

Jakob

SixPy 发表于 2016-11-30 13:02

感谢之情无以言表