Python 使用正则表达式解析 HTML

我正在尝试浏览网站的 HTML 并解析它以查找班级的最大注册人数。我尝试检查 HTML 文件的每一行中的子字符串，但这会尝试解析错误的行。所以我现在使用正则表达式。我有\t\t\t\t\t\t\t<td class="odd">([0-9])|([0-9][0-9])|([0-9][0-9][0-9])<\/td>\r\n作为我现在的正则表达式，但此正则表达式与最大注册人数以及部分编号匹配。还有另一种方法可以处理我试图从网页中提取的内容吗？ HTML 代码片段如下：

<tr>
    <td class="tableHeader">Section</td>
    <td class="odd">001</td>
</tr>

<tr>
    <td class="tableHeader">Credits</td>
    <td class="even" align="left">  4.00</td>
</tr>

<tr>
<td class="tableHeader">Title</td>
<td class="odd">Linear Algebra</td>
</tr>

<tr>
    <td class="tableHeader">Campus</td>
    <td class="even" align="left">University City</td>
</tr>

<tr>
    <td class="tableHeader">Instructor(s)</td>
    <td class="odd">Guang  Yang</td>
</tr>
<tr>
    <td class="tableHeader">Instruction Type</td>
    <td class="even">Lecture</td>
</tr>

<tr>
    <td class="tableHeader">Max Enroll</td>
    <td class="odd">30</td>
</tr>

不要使用 REGEXP 解析 HTML。

使用正确的工具完成正确的工作。

让我们打个比方来解释为什么它是错误的：这就像试图拥有一个5岁理解Hamlet，而他没有词汇和语法去理解莎士比亚的，当他能够时他会得到处理更抽象的概念.

使用任一lxml or BeautifulSoup要做到这一点。

举个例子：获取所有偶数和奇数的列表：

>>> from lxml import etree
>>> tree = etree.HTML(your_html_text)
>>> odds = tree.xpath('//td[@class="odd"]/text()')
>>> evens = tree.xpath('//td[@class="even"]/text()')
>>> odds
['001', 'Linear Algebra', 'Guang  Yang', '30']
>>> evens
['  4.00', 'University City', 'Lecture']

edit:

我只是想以一种无法获得部分编号和最大注册编号的方式提取内容。我只需要帮助获取最大注册号码。

好的，现在我得到了你想要的，所以这是使用 lxml 的解决方案：

>>> for elt in tree.xpath('//tr'):
...     if elt.xpath('td[@class="tableHeader"]')[0].text == "Max Enroll":
...         elt.xpath('td[@class="odd"]|td[@class="even"]')[0].text
... 
'30'

在那里你有only最大报名人数。

使用 BeautifulSoup 会更容易一些：

>>> bs = BeautifulSoup(your_html_text)
>>> for t in bs.findAll('td', attrs={'class': 'tableHeader'}):
...   if t.text == "Max Enroll":
...     print t.findNext('td').text
'30'