python - 如何将单个正则表达式组与多个后续组组合

Question

我正在修改现有的 Python 脚本，该脚本使用正则表达式从 HTML 计划中提取文本。该脚本运行良好，除了一种如下所示的情况(大大简化):

<tr>
   <td class="month">September</td>
   <td class="date">1</td>
   <td class="date">8</td>
   <td class="date">15<td>
</tr>

我想返回:

('September', '1'),
('September', '8'),
('September', '15'), 

...使用单个正则表达式。编写正则表达式来捕获组很简单。我只是不知道如何使用正则表达式创建所需的输出。我尝试了环视、反向引用等多种组合。我认为这很简单，但就是找不到正确的正则表达式。如有任何帮助，我们将不胜感激。

此外，我完全意识到在 HTML 文本上使用正则表达式并不是最好的方法，但这个遗留系统运行良好，只需要处理这种情况。

同样，我知道我可以返回各个组并轻松地在 Python 中创建元组。这种后处理不太适合现有脚本。

Answer 1

不建议使用

regex 尝试解析 HTML。总会有不止一种“特殊情况”会妨碍你的表达。即使所需的输出可以在单个正则表达式中实现，如果以后 HTML 发生更改，代码也不容易维护。

解决此类问题的正常方法是使用 BeautifulSoup去做这个。对于您提供的 HTML，可以按如下方式完成:

from bs4 import BeautifulSoup

html = """<tr>
   <td class="month">September</td>
   <td class="date">1</td>
   <td class="date">8</td>
   <td class="date">15</td>
</tr>"""

soup = BeautifulSoup(html, "html.parser")

month = soup.find('td', class_='month').text
dates = [(month, date.text) for date in soup.find_all('td', class_='date')]

print(dates)

这将显示:

[('September', '1'), ('September', '8'), ('September', '15')]