python - 在python中使用正则表达式从 anchor 标记中提取数据

Question

我正在尝试使用 regex 从网页中提取超链接在Python中。

假设我的文本字符串是:

text = '<a href="/status/ALL">ALL</a></td>/n<a href="/status/ASSIGN">ASSIGN</a></td>'

我想提取 ALL 和 ASSIGN， 我正在使用这个正则表达式:

re.findall(r'<a href=.*>(\w+)</a>', text, re.DOTALL)

这只是返回 ASSIGN。

有人可以帮我指出正则表达式中的错误吗？我对这个主题真的很陌生。

Answer 1

您正在使用正则表达式，并且将 XML 与此类表达式匹配得到 too complicated, too fast .

请不要为难自己，而是使用 HTML 解析器，Python 有多种可供选择:

• ElementTree是标准库的一部分
• BeautifulSoup是一个流行的第三方库
• lxml是一个快速且功能丰富的基于 C 的库。

元素树示例:

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('a'):
    print ElementTree.tostring(elem)