Python正则表达式：如何从正则表达式中提取内部数据

我想从这样的正则表达式中提取数据：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td>  

[a-zA-Z]+[\d]+[\d]+[\d]+[\d]+[\d]+[\d]+

我发现了相关的问题

---

但在我的例子中，我应该以某种方式进行迭代。

正如paprika在他/她的评论中提到的那样，您需要使用（）来确定任何匹配文本的所需部分，以设置捕获组。要从td标签中获取内容，请更改：

<td>[a-zA-Z]+</td><td>[\d]+.[\d]+</td><td>[\d]+</td><td>[\d]+.[\d]+</td> 

[a-zA-Z]+[\d]+[\d]+[\d]+[\d]+[\d]+[\d]+

致：

（[a-zA-Z]+）（[\d]+.[\d]+）（[\d]+）（[\d]+.[\d]+）
^^^^^^^^^           ^^^^^^^^^^^           ^^^^^           ^^^^^^^^^^^
第1组第2组第3组第4组

然后按编号访问这些组。（只有第一行、带“^”的行和命名组的行在那里，以帮助您查看括号中指定的捕获组。）

dataPattern=re.compile（r“[a-zA-Z]+…等”）
match=dataPattern.find（htmlstring）
field1=匹配。组（1）
field2=匹配。组（2）

等等。但您应该知道，使用re来破解HTML源代码是走向疯狂的途径之一。在您的输入HTML中潜伏着许多潜在的惊喜，它们是完美工作的HTML，但很容易击败您的re：

• “”而不是“”

• 标记之间或数据与标记之间的空格

• “”间距字符

---

像BeautifulSoup、lxml甚至PyParasting这样的库将有助于实现更强大的web刮取器。

正如海报所阐明的，标签应该从字符串中删除

请注意，您显示给我们的字符串就是：一个字符串。只有在正则表达式函数的上下文中使用时，它才是正则表达式（可以从中编译regexp对象）

您可以这样简单地删除标记（假设您的字符串存储在

s

）：

s.replace（''，''）.replace（''，''）

然而，要注意这些问题：正如其他人所指出的，在真正的HTML环境中，这是非常有限的

---

此外，您应该知道，无论剩下什么正则表达式[string]，您可以用它进行解析的内容可能不是您想要的，也就是说，如果没有标记，它不会自动匹配它以前匹配的任何内容

请澄清：您是试图从该字符串中提取数据还是使用该字符串（regex）？对于后者，您需要使用括号来构建组，就像您链接的问题的公认答案一样。我已经使用该字符串提取了数据，现在我想从中提取数据，只需删除标记即可。StackOverflow软件应该在“regex”和HTML标记出现在同一帖子中的任何时候发布此消息。简短版本：regexps无法解析HTML。是的，这是我第一次做的，但我一直在寻找更好的解决方案，更好的关于什么？如果你所做的只是移除东西，那么这样一个简单的解决方案是完全好的。尽量使代码尽可能简单（但不要简单）。

<td>([a-zA-Z]+)</td><td>([\d]+.[\d]+)</td><td>([\d]+)</td><td>([\d]+.[\d]+)</td>
     ^^^^^^^^^           ^^^^^^^^^^^           ^^^^^           ^^^^^^^^^^^
      group 1             group 2              group 3          group 4

dataPattern = re.compile(r"<td>[a-zA-Z]+</td>... etc.")
match = dataPattern.find(htmlstring)
field1 = match.group(1)
field2 = match.group(2)