在python中提取字符串

Question

基本上，我想从文本文件中提取字符串“AAA”、“BBB”、“CCC”、“DDD”...

...... (other text goes here).....
<TD align="left" class=texttd><font class='textfont'>AAA</font></TD>
..... (useless text here).....
<TD align="left" class=texttd><font class='textfont'>BBB</font></TD>
....(more text).....
<TD align="left" class=texttd><font class='textfont'>CCC</font></TD>
<TD align="left" class=texttd><font class='textfont'>DDD</font></TD>
......(more text).....

我想要类似的东西：-

data = foo("文件.txt")

我得到：-

数据 = ['AAA','BBB','CCC','DDD']

最好的方法是什么？我的文件不大...

基本上，我想从 此文件，其 HTML 格式类似于 此< /a>

Answer 1

您可以编写一个 REGEX，但它会在某种程度上“解析”HTML。为 HTML 编写正则表达式的问题是 HTML 是一团糟。它很少是完美的，当您依赖它获取数据时，这会导致问题。

我个人会使用 BeautifulSoup。它确实比你要求的要多，但也比你付出的努力还要多。

Answer 2

您想要 BeautifulSoup：

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(your_file)

soup.find("font", "textfont")

Answer 3

def foo():
    input_file = open("myfile.txt", 'r')
    input = ''.join(input_file.readlines())

    looking_for = ['AAA', 'BBB', 'CCC', 'DDD']
    have = []

    for thing in looking_for:
        if thing in input:
            have.append(thing)
    return have

Answer 4

在这种情况下，尝试使用正则表达式（这将是真正的），使用预先编写的库，或者使用 f = open() f.read() 和你的自己的解析器。

Answer 5

如果您只想从 HTML 文档中的所有标签内部获取数据，同时删除所有标签本身，您可以执行以下操作：

import HTMLParser

class DataOnlyParser(HTMLParser.HTMLParser):
    def parse(self, text):
        self.result = []
        self.feed(text)
        self.close()
        return self.result

    def handle_data(self, data):
        data = data.strip()
        if data:
            self.result.append(data)

p = DataOnlyParser()

data = """
<TD align="left" class=texttd><font class='textfont'>AAA</font></TD>
<TD align="left" class=texttd><font class='textfont'>BBB</font></TD>
<TD align="left" class=texttd><font class='textfont'>CCC</font></TD>
<TD align="left" class=texttd><font class='textfont'>DDD</font></TD>
"""

print p.parse(data)
# ['AAA', 'BBB', 'CCC', 'DDD']

如果您的选择标准更复杂，和/或如果输入格式错误，您可能会更好地使用像 lxml 这样的库。

您不想使用正则表达式来“解析”html。请参阅此处。