如何用Python与regex解析HTML <pre>内表格并合并两行表头？

标签中拆分表头的合并与解析问题 #

问题描述 #

• 格式混乱的文件内容被包裹在HTML <pre> 标签中，表头被拆分为两行：

  CLASS CLOCK NET
  ID# PLACE PLACE FINISHER TIME TIME PACE

• 直接去除空格会导致字段对应错误（例如"clock"会关联到Finisher而非Time），期望合并后的正确表头为：ID# | Place | Class Place | Finisher | Clock Time | Net Time | Pace
• 最终目标是将整个文件解析为结构化字段

解决方案 #

通过Python结合正则匹配表头单词位置，按语义关联合并两行表头，后续可基于固定宽度拆分数据行。

Python实现代码 #

import re

# 从<pre>标签中提取的表头两行原始内容
header_line1 = "</B>             CLASS                                            CLOCK       NET    "
header_line2 = "  ID#  PLACE PLACE         FINISHER                          TIME       TIME     PACE"

# 清理第一行的无关标签与首尾空格
clean_line1 = re.sub(r'</B>', '', header_line1).strip()
# 清理第二行首尾空格
clean_line2 = header_line2.strip()

# 匹配第一行中的关键字：CLASS、CLOCK、NET
line1_keywords = [match.group() for match in re.finditer(r'\b(CLASS|CLOCK|NET)\b', clean_line1)]
# 匹配第二行中的关键字：ID#、PLACE、FINISHER、TIME、PACE
line2_keywords = [match.group() for match in re.finditer(r'\b(ID#|PLACE|FINISHER|TIME|PACE)\b', clean_line2)]

# 按语义合并表头字段
merged_header = [
    line2_keywords[0],  # ID#
    line2_keywords[1],  # Place
    f"{line1_keywords[0]} {line2_keywords[2]}",  # Class Place
    line2_keywords[3],  # Finisher
    f"{line1_keywords[1]} {line2_keywords[4]}",  # Clock Time
    f"{line1_keywords[2]} {line2_keywords[5]}",  # Net Time
    line2_keywords[6]   # Pace
]

# 输出合并后的标准表头
print(" | ".join(merged_header))

后续数据解析思路 #

1. 计算合并后每个表头字段对应的字符宽度范围（可通过定位表头单词的索引实现）
2. 遍历数据行，按宽度截取对应字段内容，去除前后空格后转化为结构化数据

内容的提问来源于stack exchange，提问作者Steve