怎么使用Python中的正则表达式处理html文件

使用python中的正则表达式处理html文件

finditer方法是一种全匹配方法。已经使用过findall方法的话，该方法将返回由多个匹配字符串组成的列表。对于多个匹配项，finditer会按顺序返回一个迭代器，每个迭代生成一个匹配对象。这些匹配对象可通过for循环访问，在下面的代码中，因此组1可以被打印。

您需要撰写 Python 正则表达式，以便在 HTML 文本文件中识别特定的模式。将代码添加到STARTER脚本为这些模式编译RE（将它们分配给有意义的变量名称），并将这些RE应用于文件的每一行，打印出找到的匹配项。

1.编写识别HTML标签的模式，然后将其打印为“TAG:TAG string”（例如“TAG:b”代表标签）。为了简单起见，假设左括号和右括号每个标记的（）将始终出现在同一行文本中。第一次尝试可能使regex“”其中“.”是与任何字符匹配的预定义字符类符号。尝试找出这一点，找出为什么这不是一个好的解决方案。编写一个更好的解决方案，解决这个问题

2.修改代码，使其区分开头和结尾标记（例如p与/p)打印OPENTAG和CLOSETAG

立即学习“Python免费学习笔记（深入）”；

import sys, re#------------------------------testRE = re.compile('(logic|sicstus)', re.I)testI = re.compile('', re.I)testO = re.compile(']*>')testC = re.compile('(S*?)[^>]*>')with open('RGX_DATA.html') as infs:     linenum = 0    for line in infs:        linenum += 1        if line.strip() == '':            continue        print('  ', '-' * 100, '[%d]' % linenum, '   TEXT:', line, end='')            m = testRE.search(line)        if m:            print('** TEST-RE:', m.group(1))        mm = testRE.finditer(line)        for m in mm:            print('** TEST-RE:', m.group(1))                index= testI.finditer(line)        for i in index:           print('Tag:',i.group().replace('', ''))                   open1= testO.finditer(line)        for m in open1:           print('opening:',m.group().replace('', ''))                   close1= testC.finditer(line)        for n in close1:           print('closing:',n.group().replace('', ''))

登录后复制

请注意，有些HTML标签有参数，例如：

登录后复制

成功查找到并打印标记标签，确保启用带参数和不带参数的标记模式。现在扩展您的代码，以便打印两个打开的标签标签和参数，例如:

OPENTAG: tablePARAM: border=1PARAM: cellspacing=0PARAM: cellpadding=8

 open1= testO.finditer(line)        for m in open1:            #print('opening:',m.group().replace('', ''))            firstm= m.group().replace('', '').split()            num = 0            for otherm in firstm:                if num == 0:                    print('opening:',otherm)                else:                    print('pram:',otherm)                num+= 1

登录后复制

在正则表达式中，可以使用反向引用来指示匹配早期部分的子字符串,应再次出现正则表达式的。格式为N（其中N为正整数），并返回到第N个匹配的文本正则表达式组。例如，正则表达式，如：r” (w+) 仅当与组（w+）完全匹配的字符串再次出现时才匹配 backref出现的位置。这可能与字符串“踢”匹配.例如，“the”出现两次。使用反向引用编写一个模式，当一行包含成对的open和关闭标签，例如在粗体中.

考虑到我们可能想要创建一个执行HTML剥离的脚本，即一个HTML文件，并返回一个纯文本文件，所有HTML标记都已从中删除出来这里我们不打算这样做，而是考虑一个更简单的例子，即删除我们在输入数据文件的任何行中找到的HTML标记。

如果您已经定义了一条RE来识别HTML标签，您应该可以将生成的文本输出为STRIPPED，并将其打印在屏幕上。。

import sys, re#------------------------------# PART 1:    # Key thing is to avoid matching strings that include   # multiple tags, e.g. treating '
' as a single   # tag. Can do this in several ways. Firstly, use   # non-greedy matching, so get shortest possible match   # including the two angle brackets:tag = re.compile('?(.*?)>')    # The above treats the '/' of a close tag as a separate   # optional component - so that this doesn't turn up as   # part of the match '.group(1)', which is meant to return   # the tag label.    # Following alternative solution uses a negated character   # class to explicitly prevent this including '>': tag = re.compile('?([^>]+)>')    # Finally, following version separates finding the tag   # label string from any (optional) parameters that might   # also appear before the close angle bracket:tag = re.compile(r'?(w+)([^>]+)?>')    # Note that use of '' (as word boundary anchor) here means   # we must mark the regex string as a 'raw' string (r'..'). #------------------------------# PART 2:    # Following closeTag definition requires first first char   # after the open angle bracket to be '/', while openTag   # definition excludes this by requiring first char to be   # a 'word char' (w):openTag  = re.compile(r']*)>')closeTag = re.compile(r'([^>]*)>')   # Following revised definitions are more carefully stated   # for correct extraction of tag label (separately from   # any parameters:openTag  = re.compile(r']+)?>')closeTag = re.compile(r'(w+)s*>')#------------------------------# PART 3:    # Above openTag definition will already get the string   # encompassing any parameters, and return it as   # m.group(2), i.e. defn: openTag  = re.compile(r']+)?>')   # If assume that parameters are continuous non-whitespace   # chars separated by whitespace chars, then we can divide   # them up using split - and that's how we handle them   # here. (In reality, parameter strings can be a lot more   # messy than this, but we won't try to deal with that.)#------------------------------# PART 4: openCloseTagPair = re.compile(r']+)?>(.*?)s*>')   # Note use of non-greedy matching for the text falling   # *between* the open/close tag pair - to avoid false   # results where have two similar tag pairs on same line.#------------------------------# PART 5: URLS   # This is quite tricky. The URL expressions in the file   # are of two kinds, of which the first is a string   # between double quotes ("..") which may include   # whitespace. For this case we might have a regex: url = re.compile('href=("[^">]+")', re.I)   # The second case does not have quotes, and does not   # allow whitespace, consisting of a continuous sequence   # of non-whitespace material (that ends when you reach a   # space or close bracket '>'). This might be: url = re.compile('href=([^">s]+)', re.I)   # We can combine these two cases as follows, and still   # get the expression back as group(1):url = re.compile(r'href=("[^">]+"|[^">s]+)', re.I)   # Note that I've done nothing here to exclude 'mailto:'   # links as being accepted as URLS. #------------------------------with open('RGX_DATA.html') as infs:     linenum = 0    for line in infs:        linenum += 1        if line.strip() == '':            continue        print('  ', '-' * 100, '[%d]' % linenum, '   TEXT:', line, end='')            # PART 1: find HTML tags        # (The following uses 'finditer' to find ALL matches        # within the line)            mm = tag.finditer(line)        for m in mm:            print('** TAG:', m.group(1), ' + [%s]' % m.group(2))            # PART 2,3: find open/close tags (+ params of open tags)            mm = openTag.finditer(line)        for m in mm:            print('** OPENTAG:', m.group(1))            if m.group(2):                for param in m.group(2).split():                    print('    PARAM:', param)            mm = closeTag.finditer(line)        for m in mm:            print('** CLOSETAG:', m.group(1))            # PART 4: find open/close tag pairs appearing on same line            mm = openCloseTagPair.finditer(line)        for m in mm:            print("** PAIR [%s]: "%s"" % (m.group(1), m.group(3)))            # PART 5: find URLs:            mm = url.finditer(line)        for m in mm:            print('** URL:', m.group(1))        # PART 6: Strip out HTML tags (note that .sub will do all        # possible substitutions, unless number is limited by count        # keyword arg - which is fortunately what we want here)        stripped = tag.sub('', line)        print('** STRIPPED:', stripped, end = '')

登录后复制

以上就是怎么使用Python中的正则表达式处理html文件的详细内容，更多请关注【创想鸟】其它相关文章！