Python和网页标签正则表达式

Question

我需要网页内容。我需要从中获取一些数据。它看起来像：

< div class="deg">DATA< /div>

据我所知，我必须使用正则表达式，但我不能选择一个。在

我尝试了下面的代码，但没有任何结果。请纠正我：

regexHandler = re.compile('(<div class="deg">(?P<div class="deg">.*?)</div>)')
result = regexHandler.search( pageData )

Answer 1

您可以在Python中使用简单的字符串函数，而不需要regex

mystr = """< div class="deg">DATA< /div>"""
if "div" in mystr and "class" in mystr and "deg" in mystr:
    s = mystr.split(">")
    for n,item in enumerate(s):
        if "deg" in item:
            print s[n+1][:s[n+1].index("<")]

我的方法是，找点事来分头。在上面，我对“>；”分开了。然后检查拆分的项，检查“deg”，并在它后面获取该项，因为“deg”出现在要获取的数据之前。当然，这并不是唯一的方法。在

Answer 2

如果要将div标记包含在匹配项中：

regexpHandler = re.compile('(<div class="deg">.*?</div>)')

如果不希望包含div标记，则只需包含DATA部分：

^{pr2}$

然后运行匹配并获得结果：

result = regexHandler.search( pageData )
matchedText = result.groups()[0]

Answer 3

我建议使用一个好的HTML解析器（例如BeautifulSoup——但是出于您的目的，即使用格式良好的HTML作为输入，Python标准库（如HTMLParser）附带的解析器也应该可以很好地工作），而不是使用原始REs来解析HTML。在

如果您想继续使用原始RE方法，则模式：

r'<div class="deg">([^<]*)</div>'

看起来是从字符串“<div class="deg">DATA</div>”中获取字符串“DATA”的最简单方法——假设这就是您所追求的。您可能需要在需要容忍可选空白的位置添加一个或多个\s*。在