正则表达式读取Python标记

我想用正则表达式读取标记中的元素，例如：

<td>Stuff Here</td>
<td>stuff 
</td>

这里的东西
东西

我正在使用以下命令：

re.findall（re.compile（'（.*））、str（line.strip（））

---

为什么我可以读取第一个

标记，但不能读取第二个？

首先，我假设

行

包含整个HTML文档，而不是其名称所暗示的一行

一个问题是默认情况下，

与换行符不匹配：

In [3]: re.findall('.', '\n')
Out[3]: []

您要么需要删除嵌入的换行符（这

strip（）

不起作用），要么使用

re.DOTALL

：

In [4]: re.findall('.', '\n', re.DOTALL)
Out[4]: ['\n']

另外，您应该将

*

更改为

*？

，以使表达式不贪婪

---

另一个更大的问题是，基于正则表达式的方法对于解析任意HTML来说不够通用。有关详细讨论，请参阅。

有关一般情况，请参阅。你能做的最好的事情就是开始使用HTML解析器，有很多，IMHO是一个不错的选择。

另请参见答案。我的

行

存储

[…]

，它在

for

循环中使用。实际上，我将我的答案改为：

cell=line.find（'td'，text=True）

Beauty Soup的现代版本已经切换到在后端使用

lxml.html

。为什么不直接使用呢？