Python，匹配长度不均匀的刮削列表

请准备长时间阅读。我停滞不前，不知道从哪里寻找答案/还有什么可以尝试的。不用说，我对编程有点陌生。在过去的几周里，我一直在做这个项目

问题

我有这张表，25行，2列。每一行的结构如下：

必要事件

---

第二次尝试解决问题

import mechanize  
import re

htmlA1 = br.response().read()

patAttackDate = re.compile('<td align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+ \w+)')
patAttackName = re.compile('<font color=#006633>(\w+)</font></a> hospitalized ')
searchAttackDate = re.findall(patAttackDate, htmlA1)
searchAttackName = re.findall(patAttackName, htmlA1)

pairs = zip(searchAttackDate, searchAttackName)

for i in pairs:
print (i)

因此，我想从整个页面中删除

换行符

，并删除表格，但是：

import mechanize
import re
from BeautifulSoup import BeautifulSoup

htmlA1 = br.response().read()

stripped = htmlA1.replace(">\n<","><") #Removed all '\n' from code

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #this is the table I need to work with

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = re.findall(patAttackDate, table3)
print searchAttackDate

我错过了什么

奖金问题： 有没有办法说明XID是一个动态变量，但在使用regex/beautifulsoup（或其他刮削方法）时绕过它？随着项目的“增长”，我可能需要包含代码的XID部分，但不想与之匹配。（不确定这是否清楚）

谢谢你抽出时间

---

编辑1：添加列表示例
编辑2：使代码分隔更加可见
编辑3：为似乎不起作用的给定解决方案添加了示例代码

Test = '''<table><tr><td>date</td></tr></table>'''
soupTest = BeautifulSoup(Test)
test2 = soupTest.find('table')
patTest = re.compile('<td>(.*)</td>')
searchTest = patTest.findall(test2.getText())
print test2 # gives: <table><tr><td>date</td></tr></table> 
print type(test2) # gives: <class 'BeautifulSoup.Tag'>
print searchTest #gives: []

编辑5-一个更简单的解决方案（第一次尝试时-没有Beautifulsoup）

.findNext（）

方法将返回一个

BeautifulSoup.Tag

对象，该对象不能传递给

re.findall

。因此，您需要使用

.getText（）

（或者使用类似的方法从

标记

对象获取文本。或者使用

.contents

获取标记内部的html）。另外，当使用

re.compile

时，返回的对象就是您需要调用的

findall

对象

这：

将正则表达式模式编译为正则表达式对象

这个：

result=re.match（模式、字符串）

相当于：

prog=re.compile（模式）

result=prog.match（字符串）

---

根据你的描述，我还没有弄清楚你到底想做什么。但我现在可以告诉你一件事：对于正则表达式，Python原始字符串是你的朋友

尝试在BeautifulSoup程序中使用

r'pattern'

，而不仅仅是

'pattern'

---

此外，当您使用正则表达式时，有时从简单模式开始，验证它们是否有效，然后构建它们是很有价值的。您直接使用了复杂的模式，我确信它们不起作用，因为您没有使用原始字符串，反斜杠也不正确。

对于beautifulsoup解决方案，您可以使用它（无需检查正则表达式-我也确信@steveha关于addin r''的说法是正确的）：

这对我很有用：

reAttack = r'<td\s+align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+\s+\w+)</td>\s*<td.*?<font\s+color=#006633>(\w+)</font></a>\s+hospitalized\s+'

for m in re.finditer(reAttack, htmlA1):
  print 'date: %s; time: %s; player: %s' % (m.group(1), m.group(2), m.group(3))

reAttack=r'（\d+/\d+/\d+）
（\d+：\d+：\d+\s+\w+\s*）*

在当前TD元素中包含匹配项

---

仅供参考，您的样本数据存在一些不一致之处。一些属性值被引用，而大多数属性值没有被引用，并且混合了

和

标记。我为我的演示规范化了所有内容，但如果这是真实数据的代表，则需要更复杂的正则表达式。或者，您可以切换到纯DOM解决方案，这在一开始可能会更容易

难怪你有问题。您正在HTML上使用正则表达式。您能为需要的情况阐明规则吗？因为我不确定在python中使用direct正则表达式是解决这个问题的最好方法，而且我也不明白你的确切日期问题，我只是在等着看有多少人忽视了你正在使用BeautifulSoup的事实，只是发布了这个链接@alonisser，我举了一个ouput@chown的答案也是有用的（免费的）！r'Patren'没有切断它。同样的错误。模式可以工作，但即使不工作，也会返回[]，而不是错误。我从来没有说过原始字符串可以解决所有问题。但我确实声称，除非使用原始字符串，否则反斜杠内容将无法按您期望的方式工作。您或者需要将每个反斜杠加倍，或者使用原始字符串。searchAttackDate=re.findall（patAttackDate，htmlA1）工作正常。。。我已经发布了两个解决问题的不同尝试，每个尝试都使用了不同的变量。看起来我需要让代码分离更明显。对不起，这是我的错mixup@k3rb3r05哦，好的。但是，在问题的底部，错误：

return\u compile（pattern，flags）。findall（string）TypeError:expected string或buffer

是因为您需要像这样调用

findall

：

patAttackDate.findall（表3）

。同样的错误。我猜是表3（因为它是一个美丽的副产品）把它弄得乱七八糟。如果我使用htmlA1，它可以很好地工作，但是我不会从中删除HTMLnewline@k3rb3r05嗯，如果它仍然给出相同的

TypeError

表示它需要一个

字符串或缓冲区，那么这意味着
table3
不是一个字符串。可能是
None
？您可以在该调用的正上方放置类似于
打印类型（表3）
的内容以确保。@k3rb3r05对不起，我在意外事件中给了您错误的方法。在edit3中，将
patTest.findall（test2.getText（））
更改为
patTest.findall（str（test2.contents[0]））
。我得到以下错误：searchAttackDate=table3.findall（patAttackDate）TypeError:“NoneType”对象不可调用一个简单得多的解决方案。谢谢顺便说一句，引用的数据和不同的标记是在第二次尝试中使用BeautifulSoup的结果。同时回答了奖金问题。我的印象是，解析的数据必须按顺序（即，如果不在两者之间包含userID，我就无法获取-日期、时间、用户）
(('19/11/11', '9:47:51 PM'), 'user1') <- mismatch 
(('19/11/11', '8:21:18 PM'), 'user1') <- mismatch
(('19/11/11', '7:33:00 PM'), 'user1') <- As a consequence of the below, the rest upwards are mismatched 
(('19/11/11', '7:32:38 PM'), 'user2') <- NOT a match, case B
(('19/11/11', '7:32:22 PM'), 'user2') <- match ok
(('19/11/11', '7:26:53 PM'), 'user2') <- match ok
(('19/11/11', '7:25:24 PM'), 'user3') <- match ok
(('19/11/11', '7:24:22 PM'), 'user3') <- match ok
(('19/11/11', '7:23:25 PM'), 'user3') <- match ok

import mechanize
import re
from BeautifulSoup import BeautifulSoup

htmlA1 = br.response().read()

stripped = htmlA1.replace(">\n<","><") #Removed all '\n' from code

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #this is the table I need to work with

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = re.findall(patAttackDate, table3)
print searchAttackDate

return _compile(pattern, flags).findall(string)
TypeError: expected string or buffer

Test = '''<table><tr><td>date</td></tr></table>'''
soupTest = BeautifulSoup(Test)
test2 = soupTest.find('table')
patTest = re.compile('<td>(.*)</td>')
searchTest = patTest.findall(test2.getText())
print test2 # gives: <table><tr><td>date</td></tr></table> 
print type(test2) # gives: <class 'BeautifulSoup.Tag'>
print searchTest #gives: []

import re
import mechanize
from BeautifulSoup import BeautifulSoup

htmlA1 = br.response().read()
stripped = htmlA1.replace(">\n<","><") #stripped '\n' from html
soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #table I need to work with

print type(table3) # gives <class 'BeautifulSoup.Tag'>
strTable3 = str(table3) #convert table3 to string type so i can regex it

patFinal = re.compile(('(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)</td><td align="center">'
                      '<font color="#006633"><a href="profiles.php\?XID=(\d+)">'
                      '<font color="#006633">(\w+)</font></a> hospitalized <a'), re.IGNORECASE)
searchFinal = re.findall(patFinal, strTable3)

for i in searchFinal:
    print (i)

('19/11/11', '1:08:07 AM', 'ID_user1', 'user1')
('19/11/11', '1:06:55 AM', 'ID_user1', 'user1')
('19/11/11', '1:05:46 AM', 'ID_user1', 'user1')
('19/11/11', '1:04:33 AM', 'ID_user1', 'user1')
('19/11/11', '1:03:32 AM', 'ID_user1', 'user1')
('19/11/11', '1:02:37 AM', 'ID_user1', 'user1')
('19/11/11', '1:00:43 AM', 'ID_user1', 'user1')
('19/11/11', '12:55:35 AM', 'ID_user2', 'user2')

import re

reAttack = (r'<td\s+align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+\s+\w+)</td>\s*'
            '<td.*?' #accounts for the '\n'
            '<font\s+color=#006633>(\w+)</font></a>\s+hospitalized\s+')

for m in re.finditer(reAttack, htmlA1):
    print 'date: %s; time: %s; player: %s' % (m.group(1), m.group(2), m.group(3))

date: 19/11/11; time: 1:08:07 AM; player: user1
date: 19/11/11; time: 1:06:55 AM; player: user1
date: 19/11/11; time: 1:05:46 AM; player: user1
date: 19/11/11; time: 1:04:33 AM; player: user1
date: 19/11/11; time: 1:03:32 AM; player: user1
date: 19/11/11; time: 1:02:37 AM; player: user1
date: 19/11/11; time: 1:00:43 AM; player: user1
date: 19/11/11; time: 12:55:35 AM; player: user2

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%') #this is the table I need to work with

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = re.findall(patAttackDate, table3)

soup = BeautifulSoup(stripped)

table = soup.find('table', width='90%')
table2 = table.findNext('table', width='90%')
table3 = table2.findNext('table', width='90%')

patAttackDate = re.compile('<td align="center">(\d+/\d+/\d+)<br />(\d+:\d+:\d+ \w+)')
searchAttackDate = patAttackDate.findall(table3.getText())

# or, to search the html inside table3 and not just the text
# searchAttackDate = patAttackDate.findall(str(table3.contents[0])) 

re.compile(pattern, flags=0)

searchAttackDate = table3.findAll(patAttackDate)
for row in searchAttackDate:
   print row

reAttack = r'<td\s+align=center>(\d+/\d+/\d+)<br>(\d+:\d+:\d+\s+\w+)</td>\s*<td.*?<font\s+color=#006633>(\w+)</font></a>\s+hospitalized\s+'

for m in re.finditer(reAttack, htmlA1):
  print 'date: %s; time: %s; player: %s' % (m.group(1), m.group(2), m.group(3))