Python的BeautifulSoup find_all re.compile一组标签

Question

这里库内发现什么是我的HTML数据：

<td>4.2.2</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.2.zip">zip</a> (<a href="https://blah.org/blah-4.2.2.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2.zip.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-.2.2.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.2.tar.gz.md5">md5</a>|<ahref="https://blah.org/blah-4.2.2.tar.gz.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.2-IIS.zip">IISzip</a> (<a href="https://blah.org/blah-4.2.2-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2-IIS.zip.sha1">sha1</a>)</td>, 
<td>4.2.1</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1.zip">zip</a> (<a href="https://blah.org/blah-4.2.1.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.zip.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.1.tar.gz.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.tar.gz.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1-IIS.zip">IIS zip</a> (<a href="https://blah.org/blah-4.2.1-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1-IIS.zip.sha1">sha1</a>)</td>, 
<td>4.2</td> 
<td>1.0-platinum</td> 

等。

我想重复这个页面，内拉出唯一的版本号：

<td>4.2.2</td> 

标签。例如：

4.2.2

4.2.1

4.2

1.0白金

到目前为止，我曾尝试：

for tag in html.find_all('tbody', limit=1, string=re.compile("\<td\>(.*?)\<\/td\>")): 
print(tag.content) 

什么

rpart=html.find('tbody') 
for tds in rpart.find_all('td'): 
print(tds.find_all('\<td\>(.*?)\<\/td>')) 

什么

results=rpart.find_all('td', tds=re.compile("\<td\>(.*?)\<\/td\>")) 

什么

wphtml.find('tbody').find_all('td', tds=re.compile('\<td\>(.*?)\<\/td\>')) 

什么

for p in rpart.find_all('td', digits=re.compile('\<td\>(.*?)\<\/td\>')): 
print(p.contents) 

什么

我也注意到，软件rpart是类型 “的ResultSet”，所以我愿意打赌它的东西很小在我失踪。我在做什么对神而言是错误的？

Answer 1

正确的正则表达式是<td>(\d+(?:\.\d+)*)</td>。使用re.findall不需要BeautifulSoup：

import re 
html = """ 
<td>4.2.2</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.2.zip">zip</a> (<a href="https://blah.org/blah-4.2.2.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2.zip.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-.2.2.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.2.tar.gz.md5">md5</a>|<ahref="https://blah.org/blah-4.2.2.tar.gz.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.2-IIS.zip">IISzip</a> (<a href="https://blah.org/blah-4.2.2-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.2-IIS.zip.sha1">sha1</a>)</td>, 
<td>4.2.1</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1.zip">zip</a> (<a href="https://blah.org/blah-4.2.1.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.zip.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1.tar.gz">tar.gz</a> (<a href="https://blah.org/blah-4.2.1.tar.gz.md5">md5</a> | <a href="https://blah.org/blah-4.2.1.tar.gz.sha1">sha1</a>)</td>, 
<td align="center"><a href="https://blah.org/blah-4.2.1-IIS.zip">IIS zip</a> (<a href="https://blah.org/blah-4.2.1-IIS.zip.md5">md5</a> | <a href="https://blah.org/blah-4.2.1-IIS.zip.sha1">sha1</a>)</td>, 
<td>4.2</td> 
""" 
print re.findall("<td>(\\d+(?:\\.\\d+)*)</td>", html) 

Answer 2

首先，有在第三的最后一个标签缺失的空间。这可能会导致使用BeautifulSoup解析问题。

有两种方法，你可以用你提供的文本很容易退出这个功能：

1. BeautifulSoup：

   html = BeautifulSoup(htmlString, 'html.parser') 
   for tag in html.find_all('td', align=None): 
       print(tag.string)

2. 纯正则表达式（无BeautifulSoup）：

   for val in re.findall(re.compile('\&lttd\>(.*?)\<\/td\>'), htmlString): 
       print val

最好我可以告诉，因为BeautifulSoup正在通过标签名称进行搜索当使用“find_all”函数时，re.compile将使用正则表达式来查找匹配模式的标签名称。例如，如果你想找到所有的“TBODY”和“TD”标签，你可以这样做：

for tag in html.find_all(re.compile('t[d|b]')): 
    print tag.string 

从被发现的标签，那么你就可以开口内访问属性或值/串并关闭标签。我还没有找到一种方法来使用BeautifulSoup通过它们的值/字符串来查找标签。

下面是与一对夫妇的例子的情况下，它可以帮助的引用：BeautifulSoup Documentation - A Regular Expression

另外，在BeautifulSoup，在一个“find_all”的re.compile是用于“过滤/匹配”，而不是捕获基团。意思是，正则表达式是匹配的模式。在这种情况下，您不能使用（。*？）提取部分值进行比较。