如何使用正则表达式从HTML中解析数字？

Question

我想在Python中编写一个简单的正则表达式，从HTML中提取数字。HTML示例如下：

Your number is <b>123</b>

现在，我该如何提取“123”，即在字符串“您的号码是”后面第一个加粗文本的内容？

- Saqib

---

文本“Your number is”实际上是否在任何标签内？ - Jon Clements

好的，我会尽力进行翻译。以下是需要翻译的内容：相关链接：https://dev59.com/X3I-5IYBdhLWcg3wq6do - Endophage

@Endophage：元数据相关 - georg

假设 SO 上的大多数问题（如果不是全部）都是更大问题的小测试示例，因此非常相关。该 OP 想使用正则表达式解析 HTML...请注意，我没有链接那篇怒骂文章，只链接了问题。 - Endophage

我建议使用lxml来解析HTML。 - 18bytes

Answer 1

import re
m = re.search("Your number is <b>(\d+)</b>",
      "xxx Your number is <b>123</b>  fdjsk")
if m:
    print m.groups()[0]

- Yevgen Yampolskiy

---

抱歉表述不够清晰，但我使用了一个稍微修改过的版本，对我来说是有效的。 re.search("Your number is <b>([a-zA-Z_][a-zA-Z_0-9]*)</b>",loginData) - Saqib

Answer 2

假设有 s = "Your number is <b>123</b>"，则：

import re 
m = re.search(r"\d+", s)

这将起作用并给你

m.group()
'123'

这个正则表达式在字符串中寻找一个或多个连续的数字。

请注意，在这种特定情况下，我们“知道”会有数字序列，否则您将需要测试re.search()的返回值，以确保m包含有效的引用，否则m.group()将导致AttributeError:异常。

当然，如果您要处理大量的HTML，建议您认真考虑BeautifulSoup - 它专门用于处理HTML等内容。整个想法是使用BeautifulSoup避免使用字符串操作或正则表达式进行手动解析。

- Levon

---

为什么要踩？据我所知，这是功能性的并且符合OP的要求。如果有建设性的反馈，我很乐意纠正任何错误或改进我的答案。然而，没有解释的踩不会对OP、SO或我有所帮助。 - Levon

嘿，我们都犯过这种错误。至于那个踩的人，可能是希望得到更健壮的代码吧？如果在123之前有任何数字，当前代码将失败。 - DSM

@DSM :-) .. 是的，我同意，这是一个狭窄的解决方案，实际上只针对特定的问题。在这种情况下，测试re.search()的返回值也不是必要的，但应该这样做。 - Levon

我认为OP不想要数字。他们的要求非常明确：“在字符串“Your number is”之后第一个粗体文本的内容”。 - georg

@thg435 .. 它说“我怎么提取123，”.. 和“..从HTML中提取一个数字”.. 这就是我做的。我有什么遗漏吗？ - Levon

@thg435 听起来不错。但我没有看到歧义或其他解释，第一个加粗的文本不是在字符串“Your number is”之后显示数字123吗？我们可能有不同的阅读理解（我认为所有其他的解决方案也都集中于获取123）。是的，希望OP能告诉我们答案。 - Levon

Answer 3

import re
x = 'Your number is <b>123</b>'
re.search('(?<=Your number is )<b>(\d+)</b>',x).group(0)

这段代码搜索的是紧随字符串“Your number is”之后的数字。

- muffel

---

如果你只想要123，那么难道不应该使用.group(1)吗？ - DSM

Answer 4

import re
print re.search(r'(\d+)', 'Your number is <b>123</b>').group(0)

- Jacob Abraham

Answer 5

最简单的方法就是提取数字（数值）。

re.search(r"\d+",text)

- Avinash Kumar

Answer 6

import re
found = re.search("your number is <b>(\d+)</b>", "something.... Your number is <b>123</b> something...")

if found:
    print found.group()[0]

这里的 (\d+) 是一个分组，因为只有一个分组，所以使用 [0]。当有多个分组时应该使用 [分组索引]。

- Sykam Sreekar Reddy

Answer 7

val="Your number is <b>123</b>"

选项：1

m=re.search(r'(<.*?>)(\d+)(<.*?>)',val)

m.group(2)

Option : 2

re.sub(r'([\s\S]+)(<.*?>)(\d+)(<.*?>)',r'\3',val)

- user4613285

Answer 8

要将其提取为Python列表，可以使用findall

>>> import re
>>> string = 'Your number is <b>123</b>'
>>> pattern = '\d+'
>>> re.findall(pattern,string)
['123']
>>>

- Arun

Answer 9

您可以使用以下示例来解决您的问题：

import re

search = re.search(r"\d+",text).group(0) #returns the number that is matched in the text

print("Starting Index Of Digit", search.start())

print("Ending Index Of Digit:", search.end())

- sadiq shah

Answer 10

import re
x = 'Your number is <b>123</b>'
output = re.search('(?<=Your number is )<b>(\d+)</b>',x).group(1)
print(output)

- Anand K

---

欢迎来到StackOverflow。虽然这可能回答了问题，但解释一下你的代码会更有帮助。 - Dominik

这是对@muffel的回答的更正，并应该承认该来源。 - Jeremy Caney