HTMLタグ付き正規表現とエスケープ文字が

Question

私はこのテキストを持っている：

<h5 class="subblocksubhead subsubsectionhead first"><b>Messaggi inseriti</b></h5> 
<dl class="blockrow stats"> 
    <dt><b>Messaggi inseriti</b></dt> 
    <dd> 81</dd> 
</dl> 
<dl class="blockrow stats"> 
    <dt>Media dei messaggi giornalieri</dt> 
    <dd> 0.02</dd> 
</dl> 

と私は、このコードを使用" 81"を抽出しようとしている：私は常に取得

regex_message_sent_num=r'Messaggi inseriti<.+>\n\t\t<.+?>(\s.+)<.+?>' 
pattern_message_sent_num=re.compile(regex_message_sent_num) 
results_message_sent_num=re.findall(pattern_message_sent_num,html_text) 

を空のリストを出力として返しますが、コードhereをテストすると、適切な抽出が得られます。

私が間違っていることを知っていますか？ HTMLは私が運動として目に見えるデータを抽出しようとしているウェブページから来ています。私は、chromeブラウザから保存されたHTMLテキストで正規表現をテストしました。

Answer 1

BeautifulSoupのようにHTMLパーサーを代わりに使用します。

from bs4 import BeautifulSoup 

data = """ 
<div> 
    <dl class="blockrow stats"> 
     <dt><b>Messaggi inseriti</b></dt> 
     <dd> 81</dd> 
    </dl> 
    <dl class="blockrow stats"> 
     <dt>Media dei messaggi giornalieri</dt> 
     <dd> 0.02</dd> 
    </dl> 
</div>""" 

soup = BeautifulSoup(data, "html.parser") 

label = soup.find("dt", text="Messaggi inseriti") 
print(label.find_next_sibling("dd").get_text(strip=True)) 

プリント81：テキスト検索とfind_next_sibling() methodを使用して

。