Voglio estrarre i dati tra i tag <tr> da una pagina html. Ho usato il seguente codice. Ma non ho ottenuto alcun risultato. Il codice HTML tra i tag <tr> è su più righecorrispondenza di più righe nell'espressione regolare python
category =re.findall('<tr>(.*?)</tr>',data);
Si prega di suggerire una correzione per questo problema.
solo per chiarire il problema. Nonostante tutti quei link a re.M, non funzionerebbe qui come rivelerebbe una semplice scrematura della sua spiegazione. Avreste bisogno re.S, se non si tenta di analizzare HTML, naturalmente:
>>> doc = """<table border="1">
<tr>
<td>row 1, cell 1</td>
<td>row 1, cell 2</td>
</tr>
<tr>
<td>row 2, cell 1</td>
<td>row 2, cell 2</td>
</tr>
</table>"""
>>> re.findall('<tr>(.*?)</tr>', doc, re.S)
['\n <td>row 1, cell 1</td>\n <td>row 1, cell 2</td>\n ',
'\n <td>row 2, cell 1</td>\n <td>row 2, cell 2</td>\n ']
>>> re.findall('<tr>(.*?)</tr>', doc, re.M)
[]
're.findall ('
grazie alla correzione di reS lavorata –
Non utilizzare espressioni regolari per analizzare HTML. Utilizzare un parser HTML come lxml o BeautifulSoup.
pat=re.compile('<tr>(.*?)</tr>',re.DOTALL|re.M)
print pat.findall(data)
O modo non regex,
for item in data.split("</tr>"):
if "<tr>" in item:
print item[item.find("<tr>")+len("<tr>"):]
Non utilizzare regex, utilizzare un parser HTML come BeautifulSoup:
html = '<html><body>foo<tr>bar</tr>baz<tr>qux</tr></body></html>'
import BeautifulSoup
soup = BeautifulSoup.BeautifulSoup(html)
print soup.findAll("tr")
Risultato:
[<tr>bar</tr>, <tr>qux</tr>]
Se vuoi solo il contenuto, senza il t r tags:
for tr in soup.findAll("tr"):
print tr.contents
risultati:
bar
qux
L'utilizzo di un parser HTML non è così spaventoso come sembra! E funzionerà in modo più affidabile rispetto a qualsiasi regex che verrà pubblicata qui.
Come altri hanno suggerito il problema specifico che si stanno avendo può essere risolto da consentendo corrispondenza multi-line utilizzando re.MULTILINE
Tuttavia si sta andando verso il basso di una patch di analisi insidioso HTML with regular expressions. Usa invece un parser XML/HTML, BeautifulSoup funziona alla grande per questo!
doc = """<table border="1">
<tr>
<td>row 1, cell 1</td>
<td>row 1, cell 2</td>
</tr>
<tr>
<td>row 2, cell 1</td>
<td>row 2, cell 2</td>
</tr>
</table>"""
from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(doc)
all_trs = soup.findAll("tr")
leggere la documentazione: http://docs.python.org/library/re.html#re.S – SilentGhost
O un paragrafo sopra: http://docs.python.org/library/re.html#re.MULTILINE :) –
@Tomasz: ma ** leggere ** oltre l'intestazione;) – SilentGhost