Question

Python怎么抓取表格 正则怎么写？

我想抓取一个网页里面的表格内容
HTML:

<tr class=" rowodd">
<td>114.80.136.112</td>
<td>7780</td>
<td>上海 </td>
<td id="tablekit-table-6-cell-9">
<div class="graph"><strong class="bar" style="width: 77%; background:#dddd00;"><span></span></strong></div>
</td>
<td>2014-07-15 05:55:16</td>
</tr>
<tr class=" roweven">
<td>211.151.59.251</td>
<td>80</td>
<td>北京 </td>
<td id="tablekit-table-6-cell-7">
<div class="graph"><strong class="bar" style="width: 101%; background:#00dd00;"><span></span></strong></div>
</td>
<td>2014-07-15 05:58:25</td>
</tr>
<pre>
#-*- coding: utf-8 -*

import re
import urllib

htmlSource = urllib.urlopen("http://cn-proxy.com/").read()
linksList = re.findall(r'''<tbody><tr class="([sS]*?)"><td>([sS]*?)</td><td>([sS]*?)</td></tr></tbody>''',htmlSource)
for link in linksList:
print link
</pre>

我按照上面这样写。。抓不到任何内容求助

Answer 1

看了你的正则表达式。思路基本上是正则的。不过有些小问题。我建议你初学的时候分两步搜索。

先找到所有的tr，再在tr里找td

exp1 = re.compile("(?isu)<tr[^>]*>(.*?)</tr>")
exp2 = re.compile("(?isu)<td[^>]*>(.*?)</td>")
htmlSource = urllib.urlopen("http://cn-proxy.com/").read()
for row in exp1.findall(htmlSource):
   print '==============='
   for col in exp2.findall(row):
       print col,
   print

这里(?isu)意思就是，要搜索时，包含回车换行，包含汉字，包含空格。

你多试试。找一个正则表达式验证工具，比如kodos。 然后看看python自带的那个正则表达式教程就可以了。

追问

这是采集出来的内容

61.174.9.96 8080 浙江 金华
</st...

我只想要 61.174.9.96 8080 其他的不要。是不是还要在多写几行？ 感觉正则好难的样子

追答

呵，只要2行啊。你那你弄一个变量，判断，如果是前两个就要。后面全不要不就成了？
将for col in exp2.findall(row): 改成
for col in exp2.findall(row)[:2]:

追问

果断是大神啊！跪拜！
最后一个小小问题
我想给输出的中间价格冒号 得到 61.174.9.96:8080

我弄了下
print col,':', 貌似这样可以。

不过这样会多生成一个冒号 121.10.120.135 : 8001 : 而且空格也木有去掉。

追答

可以这样啊。

cols = exp2.findall(row)[:2]
ip_port = ':'.join(cols)
或者是
ip_port = "%s:%s"%(cols[0], cols[1])