python - 正则表达式 - 从 HTML 读取日期

Question

如果有人能告诉我这段代码做错了什么，我会很伤心。我有一个 HTML，想要读出成立年份 - 在本例中是 1949。我该怎么办呢？请注意空格和空行。

下面是代码

<h4>  Founded in

</h4></td><td><h5> <!--10305--> 1949</h5></td></tr> <tr>

这是我正在使用的代码。并且没有打印任何内容。

myf = 'THE HTML HERE'
myf.replace("<!--10305-->", "")
year = re.findall(r"<h4>  Founded in.*? (.*?)</h5></td></tr> <tr>", myf, re.DOTALL)
print year

如有任何帮助，我们将不胜感激。

Answer 1

使用lxml使用 xpath:

>>> import lxml.html
>>>
>>> root = lxml.html.fromstring('''
... <tr>
... <td>
... <h4>  Founded in
...
... </h4></td><td><h5> <!--10305--> 1949</h5></td></tr>
... ''')
>>> root.xpath('//h4[contains(text(), "Founded in")]/parent::*/following-sibling::*')[0].text_content().strip()
'1949'