用于解析HTML文档的Python Regex表达式

Question

https://en.wikipedia.org/wiki/List_of_largest_companies_by_revenue

我想按收入顺序找出这些公司的名称。这有点挑战性，因为标题都有不同格式的标签。如果有人能想出解决办法，我将非常感激。你知道吗

我的问题的一个例子：

我想把“沃尔玛公司”和“中石化集团”等依次对应起来。你知道吗

<td><a href="/wiki/Wal-Mart_Stores,_Inc." title="Wal-Mart Stores, Inc."class="mw-redirect">Wal-Mart Stores, Inc.</a></td>

…在文件中。。。你知道吗

<td style="background: #ffffcc;"><a href="/wiki/Sinopec_Group" title="Sinopec Group" class="mw-redirect">Sinopec Group</a></td>

提前谢谢。你知道吗

Answer 1

这可以通过beautifulsoup轻松完成

from bs4 import BeautifulSoup as soup

x = ['<td><a href="/wiki/Wal-Mart_Stores,_Inc." title="Wal-Mart Stores, Inc."class="mw-redirect">Wal-Mart Stores, Inc.</a></td>', '<td style="background: #ffffcc;"><a href="/wiki/Sinopec_Group" title="Sinopec Group" class="mw-redirect">Sinopec Group</a></td>']
tmp = [soup(y).find('td').find('a') for y in x]
lst = [x['title'].strip() for x in tmp if x.has_attr('title')]
print(lst)

如果是单个字符串，那么可以使用

x = '''<td><a href="/wiki/Wal-Mart_Stores,_Inc." title="Wal-Mart Stores, Inc."class="mw-redirect">Wal-Mart Stores, Inc.</a></td> <td style="background: #ffffcc;"><a href="/wiki/Sinopec_Group" title="Sinopec Group" class="mw-redirect">Sinopec Group</a></td>'''
tmp = [y.find('a') for y in soup(x).find_all('td')]
lst = [x['title'].strip() for x in tmp if x.has_attr('title')]
print(lst)

如果你还想用regex，那么

<td.*?<a.*? title\s*=\s*"([^"]+).*?</td> 

注意：-在第一组中匹配

Regex Demo

Answer 2

将title属性的内容分组到a标记中。它检查是否是排名后的第一个表单元格。你知道吗

regex = /th>\n<td.*?><a .* ?title="(.*?)".*>/

目前已知它可以工作。但这是一个相当脆弱的方法。 查看Online Regex Tester查看regex详细信息