Python 正则表达式匹配HTML中标题后的项

一个相当简单的正则表达式提取让我很困惑。找不到类似的问题，所以很高兴被指出来，如果它存在的话。给定以下HTML：

第一篇

标题二

（在较大的文档中-摘录很可能会跨越多行）

如何构造一个正则表达式，在H1后面的第一个p中查找a标记中的文本？正则表达式将进入一个循环，这样我就可以传入头，以便检索后面的项

]*>（[0-9.]+？）

显然匹配标记中的所有项目（应该可以，因为标记不能连接），但我无法将它们绑定到H1

+Title One.+]*>（[0-9.]+？）

失败

我曾尝试使用“向后看”这样：

（？（[0-9.]+？）

和一些变体，但它仅允许用于固定宽度匹配（此处不允许）

在上下文中，这将使用Python的正则表达式引擎。我知道正则表达式不一定是解决这一问题的最佳解决方案，因此使用DOM或其他东西的替代建议也受到了欢迎：）

---

更新

>>> from lxml import etree
>>> from pprint import pprint
>>>
>>> data = """
... <h1 class="title">Title One</h1><p><a href="#">40.5</a><a href="#">31.3</a></p>
... <h1 class="title alternate">Title Two</h1><p><a href="#">12.1</a><a href="#">82.0</a></p>
... """
>>>
>>> d = etree.HTML(data)
>>> #d.xpath('//h1[following-sibling::*[1][local-name()="p"]]') 
...
>>> results = {}
>>> for h in d.xpath('//h1[following-sibling::*[1][local-name()="p"]]'):
...   r = results.setdefault(str(h.text),[])
...   r += [ str(x) for x in h.xpath('./following-sibling::*[1][local-name()="p"]/a/text()') ]
...
>>> pprint(results)
{'Title One': ['40.5', '31.3'], 'Title Two': ['12.1', '82.0']}

为了澄清上述情况，我想回复以下内容：

{“标题一”：[“40.5”、“31.3”]，“标题二”：[“12.1”、“82.0”}

（这并不是说我需要帮助编写字典，但它确实演示了我需要如何将值与标题关联起来）

到目前为止，漂亮的乌苏看起来是最好的。LXML可能也可以工作，因为源HTML不是真正的标记汤——它的结构非常好，至少在我感兴趣的地方是这样

---

不要使用正则表达式解析html。根据定义，这是不可能做到的。改用html解析器。我建议

lxml.html

---

lxml.html

比BeautifulSoup更好地处理格式不正确的html，并且被积极维护（BeautifulSoup不是），而且速度更快，因为它在内部使用了

libxml2

。

不要使用正则表达式解析html。根据定义，这是不可能做到的。改用html解析器。我建议

lxml.html

---

lxml.html

比BeautifulSoup更好地处理格式错误的html，并且被积极维护（BeautifulSoup不是），而且速度更快，因为它在内部使用了

libxml2

。

你是对的，regex绝对是html匹配的错误工具

---

然而，您的问题听起来与HTML解析器的问题完全相同，它可以处理不太完美的HTML。

您是对的，regex绝对是错误的HTML匹配工具

---

但是你的问题,，听起来很像一个HTML解析器的问题，它可以处理不太完美的HTML。

解决这个问题的另一个明显的答案是——我喜欢它处理你经常在野外遇到的那种糟糕的HTML，就像你所希望的那样理智而优雅。

解决这个问题的另一个明显的答案是——我就像这样，它可以处理你在野外经常遇到的那种蹩脚的html，就像你所希望的那样明智而优雅。

这里有一种使用普通字符串操作的方法

html='''
<h1 class="title">Title One</h1><p><a href="#">40.5</a>
<a href="#">31.3</a></p>
<h1 class="title alternate">Title Two</h1><p><a href="#">12.1</a><a href="#">82.0</a></p>
'''

for i in html.split("</a>"):
    if "<a href" in i:
        print i.split("<a href")[-1].split(">")[-1]

---

我实际上不明白您想要得到什么，但是如果您的要求很简单，是的，一个正则表达式或几个字符串就可以做到。这不需要解析器

这里有一种使用普通字符串操作的方法

html='''
<h1 class="title">Title One</h1><p><a href="#">40.5</a>
<a href="#">31.3</a></p>
<h1 class="title alternate">Title Two</h1><p><a href="#">12.1</a><a href="#">82.0</a></p>
'''

for i in html.split("</a>"):
    if "<a href" in i:
        print i.split("<a href")[-1].split(">")[-1]

---

我实际上不明白您想要得到什么，但是如果您的要求很简单，是的，一个正则表达式或几个字符串就可以做到。这不需要解析器

这就是你想要的东西吗

>>> from lxml import etree
>>>
>>> data = """
... <h1 class="title">Title One</h1><p><a href="#">40.5</a><a href="#">31.3</a></p>
... <h1 class="title alternate">Title Two</h1><p><a href="#">12.1</a><a href="#">82.0</a></p>
... """
>>>
>>> d = etree.HTML(data)
>>> d.xpath('//h1/following-sibling::p[1]/a/text()')
['40.5', '31.3', '12.1', '82.0']

---

现在使用谓词向前看，这应该遍历紧跟着

标记的

标记。（将

tag.text

显式转换为字符串，因为我记得它们不是普通的字符串，你会很难对它们进行酸洗，等等）

这就是你想要的东西吗

>>> from lxml import etree
>>>
>>> data = """
... <h1 class="title">Title One</h1><p><a href="#">40.5</a><a href="#">31.3</a></p>
... <h1 class="title alternate">Title Two</h1><p><a href="#">12.1</a><a href="#">82.0</a></p>
... """
>>>
>>> d = etree.HTML(data)
>>> d.xpath('//h1/following-sibling::p[1]/a/text()')
['40.5', '31.3', '12.1', '82.0']

---

现在使用谓词向前看，这应该遍历紧跟着

标记的

标记。（显式地将

tag.text

转换为字符串，因为我记得它们不是普通字符串，您很难对它们进行酸洗，等等）

这将在服务器端代码或文档中的javascript中运行吗？这是针对独立的python脚本，而不是基于web的脚本。HTML只是源数据。您可以控制创建的HTML吗？您可以相信它会遵循任何通用格式吗？没有直接控制，但我可以相信它会很好地匹配上述格式。这会在服务器端代码或文档中的javascript中运行吗？这是用于独立的python脚本，实际上不是基于web的。HTML只是源数据。你能控制创建的HTML吗？你能相信它遵循任何通用格式吗？没有直接控制，但我可以相信它能很好地匹配上述格式。是的，尽管页面上还有其他H1元素，我需要知道哪些值与哪个标题匹配。如果您没有考虑XPATH，将进行调查，谢谢。如果您发布您正在解析的内容以及您需要的内容。我相信有人可以用xpath为您指出正确的方向。很抱歉，我花了这么长时间才回到这里，但这太棒了，正是我所需要的：）我花了大约一个小时摸索——xpath不是我的强项！是的，尽管页面上还有其他H1元素，我需要知道哪些值与哪个标题对应。如果您没有考虑XPATH，将进行调查，谢谢。如果您发布您正在解析的内容以及您需要的内容。我相信有人可以用xpath为您指出正确的方向。很抱歉，我花了这么长时间才回到这里，但这太棒了，正是我所需要的：）我花了大约一个小时摸索——xpath不是我的强项！这是一个很好的简单解决方案，但与