Python Regex und Pandas

Question

Ich habe einen Text in HTML, den ich später in einen Pandas Datenrahmen konvertieren möchte.

Ich habe einen Text, der wie so aussieht:

<tr> 
    <td -some attributes- >Val1</td> 
    <td -some attributes- >Val2</td> 
    <td -some attributes- >Val3</td> 
</tr> 
<tr> 
    <td -some attributes- >Val4</td> 
    <td -some attributes- >Val5</td> 
    <td -some attributes- >Val6</td> 
</tr> 

und ich habe die Regex: <td.*>(.*)</td> aber nicht fängt alle Werte, es cathces fast den ganzen Text ...

Nachdem ich alles erfasst habe, habe ich es in einen Datenrahmen eingefügt.

also warum diese Regex nicht die Werte abfangen, wie es sollte?

Answer 1

Sie können wie diese versuchen, statt REGEX - nur eine Meinung

import pandas as pd 
movies_table = pd.read_html("xxx.y.com") 
movies = movies_table[0] // select the correct table from the tables array. 

Ich habe dies mit mir zu arbeiten. Im Folgenden habe ich eine Probe zur Verwendung beigefügt.

Answer 2

Wenn Sie (wirklich) eine RegEx verwenden möchten, können Sie wie folgt tun:

content = """\ 
<tr> 
    <td -some attributes- >Val1</td> 
    <td -some attributes- >Val2</td> 
    <td -some attributes- >Val3</td> 
</tr> 
<tr> 
    <td -some attributes- >Val4</td> 
    <td -some attributes- >Val5</td> 
    <td -some attributes- >Val6</td> 
</tr>""" 

import re 

td_regex = re.compile(r"<td[^>]+>" # <td> tag 
         r"((?:(?!</td>).)+)") # <td> content 

print(td_regex.findall(content)) 

Sie erhalten:

['Val1', 'Val2', 'Val3', 'Val4', 'Val5', 'Val6']