在 HTML 单元格中使用 HTML 解析 Python 正则表达式 [重复]

Posted 2023-02-24

【中文标题】在 HTML 单元格中使用 HTML 解析 Python 正则表达式 [重复]

【英文标题】：Python Regex parsing with HTML inside HTML cells [duplicate]

【发布时间】：2018-05-10 04:29:16

【问题描述】：

编辑：我注意到这被认为是重复的，但事实并非如此，因为重复的解决方案涉及使用 beautifulsoup 进行解析。我知道beautifulsoup是解决这个问题的更好方法，但是为了学习，我一直在尝试使用Regex。

我是 Regex 的新手，正在为 html 表开发基于 Python 的 Regex 解析器。到目前为止，我已经设法生成正确解析正常行、单元格和标题的模式，但我希望修改我的正则表达式以适应单元格和标题中的 HTML。本质上，我希望不评估较大单元格中的 HTML 代码，执行以下操作：

found = re.findall(isHeader,"<th>Student</th> Name</th>")
found = "Student</th> Name"

在做了一些研究之后，我正在尝试使用前瞻来解决问题：

isHeader = r'<th\s*>([\S\s]*?)</th\s*>(?!(?:</th\s*>))'

此正则表达式尝试隔离以“<th>”开头并以“</th>”结尾的字符串，前提是在下一个模式开始之前同一模式中不再有“</th>” .该模式成功地隔离了“正确的”标头（标头本身没有</th>s），但未能正确解析“不正确的”标头，在找到的第一个</th> 处停止字符串。

我假设我的前瞻被错误地实现了。任何建议将不胜感激。

谢谢！

【参考方案1】：

这样的事情怎么样：

(?<=<th>).*(?=<\/th>)

演示：https://regex101.com/r/HiL3Zi/1

【讨论】：

感谢亨利。它完美地工作，除了它需要遵循在“th”（即）之后允许无限空白的html约定。我可以很容易地在你的正则表达式的第二组中解释这一点，但由于非固定宽度的后视，我不能在第一组中解释。知道如何解决这个问题吗？再次感谢！

分析你的，我想你可能只需要让正则表达式“贪婪”而不是“懒惰”：<th\s*>([\S\s]*)<\/th\s*>(?!(?:<\/th\s*>)) 演示：regex101.com/r/HiL3Zi/2