python - Python正则表达式:从具有相似结构的html元素获取文本

This question already has answers here:

RegEx match open tags except XHTML self-contained tags
                                
                                    （34个答案）
                                
                        
                                2年前关闭。
            
                    
由于某些原因，我需要使用正则表达式从网站中提取一些数据。数据具有类似的HTML结构，只是文本有所不同。
为简单起见，我以这种方式显示它：

p = '<div class="col-xs-6"><p>Gender:</p></div><div class="col-xs-6"><a href="/skor/herr">Herr</a>, <a href="/skor/dam">Dam</a></div>'
t = '<div class="col-xs-6"><p>Kategori:</p></div><div class="col-xs-6"><a href="/skor/kangor-boots">Boots</a></div>'
s = p + t

我只对“性别”感兴趣，这意味着我只想提取“ Herr”和“ Dam”。

到目前为止，我想出了两个选择-都不起作用：

m = re.findall("Gender.+?<div.+?>([\w ]+)<\/.+?<\/div>", s, re.DOTALL)

给出：

['Herr']

我猜是因为它不是贪婪的

但是，如果我让它变得贪婪：

re.findall("Gender.+?<div.+>([\w ]+)<\/.+?<\/div>", s, re.DOTALL)

它返回：

['靴子']

因此，我正在努力弄清楚如何同时获得“ Herr”和“ Dam”，仅此而已？

最佳答案

您可以通过这种方式使用BeautifulSoup

from bs4 import BeautifulSoup
a='<div class="col-xs-6"><p>Gender:</p></div><div class="col-xs-6"><a href="/skor/herr">Herr</a>, <a href="/skor/dam">Dam</a></div>'
soup = BeautifulSoup(a,"html.parser")
if 'Gender' in (str(soup.findAll('div'))):
    for ana in soup.findAll('div'):
        for i in ana.findAll('a'):
            print(i.next_element)

输出：

Herr
Dam

我建议向div添加name属性，以便更容易确定正确的标签

p = '<div name="Gender" class="col-xs-6"><p>Gender:</p></div><div name="Gender" class="col-xs-6"><a href="/skor/herr">Herr</a>, <a href="/skor/dam">Dam</a></div>'
t = '<div class="col-xs-6"><p>Kategori:</p></div><div class="col-xs-6"><a href="/skor/kangor-boots">Boots</a></div>'
a = p + t

soup = BeautifulSoup(a,"html.parser")
for ana in soup.findAll('div',{"name":"Gender"}):
    for i in ana.findAll('a'):
        print(i.next_element)

输出：

 Herr
 Dam

关于python - Python正则表达式:从具有相似结构的html元素获取文本，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/52610930/