Python HTML正则表达式

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

我有一个用html填充的txt文件，如下所示， 我试图使用Python2.6正则表达式来收集所有playernames和评级

玩家名称第一次出现在第4行，评级出现在第16行。（29.2）

然后下一个玩家的名字出现在第22行，评级在第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

我试着用一个表达式来找到所有的名字和收视率，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>

4.
,
8.
29.2
4.
,
8.
32.2

我建议使用解析HTML并获取所需的值

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

---

有效。

或者，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且易于使用的库

在您的示例中，是否缺少

之间的结束

标记

编辑：使用OP样本作为源 总之，使用带有简单xpath的

lxml.html

，希望得到您期望的结果：

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

---

考虑使用漂亮的汤吗？是的，我用BS来获取HTML，但是我不知道如何挑选文本文件的特定部分。你是如何用漂亮的汤来获得HML？抱歉的使用汤来美化和发现所有的TR，类，使用上述html的正确输出应该是：PlayerA 29.2 PlayerB 32.2我使用的html在我问题的代码部分。这是唯一保存在文本文件中的html。AttributeError:“NoneType”对象没有属性“strip”添加了一个对None字符串的检查（您应该提到这是可能的），这太棒了，我现在有了所有的名字，我只需要在每个名字旁边有相应的统计信息ie playernamea 28.9 playernameb 32.4正确的输出使用上面的html应该是：PlayerA 29.2 PlayerB 32.2问题是html看起来就像我上面的一样，都在一个.txt中file@user3496483,使用

lxml.html

时，解析器更能容忍破坏的html。因此，在您的用例中，仍然可以按预期解析和获取结果，只需要

strip（）

之后的文本。回溯（最近一次调用）：文件“C:\Python26\hotcoldparser.py”，第28行，在lxml.html.parse（mike_文件）文件“C:\Python26\Lib\site packages\lxml\html init\uu.py”，第692行，在解析中，返回etree.parse（文件名为_或_url，parser，base_url=base_url，**kw）文件“lxml.etree.pyx”，第2942行，在lxml.etree.parse（src/lxml/lxml.etree.c:54187）文件“parser.pxi”，第1528行，在lxml.etree中。解析文档（src/lxml/lxml/lxml.etree.c:79485）文件“parser.pxi”，第1557行，在lxml.etree中（src/lxml/lxml.etree.c:79768）@user3496483，我不熟悉windows环境，但也许您可以尝试

将lxml.html导入为html

，然后使用

html.parse（…）

更改以下行。唯一的问题是，这会给我找到的第一个int，而不是正确的位置。