Python：如何用正则表达式提取HTML表格行中的指定字段

你想要的这种「占位符式」提取逻辑，正好对应正则表达式里的捕获组功能——就像你用C语言的%s标记要提取的内容一样，正则里用()把需要捕获的未知内容包起来，就能精准提取对应位置的字段。

具体实现思路 #

你的目标模板是：

<TD>%s</TD><TD><A HREF="%s">%s</TD><TD><EM>%s</EM></TD>

我们只需要把每个%s替换成正则的捕获组语法(.*?)（非贪婪匹配，避免过度匹配），同时保留所有固定的HTML标签作为匹配框架，就能得到对应的正则表达式：

<TD>(.*?)</TD><TD><A HREF="(.*?)">(.*?)</TD><TD><EM>(.*?)</EM></TD>

这里的每个(.*?)就是你要的「占位符」，分别对应field1、url、field2、field3。

示例代码（以Python为例） #

import re

# 你的目标HTML行
html_line = '<TD>field1</TD><TD><A HREF="http://sample.url.com">field2</TD><TD><EM>field3</EM></TD>'

# 定义匹配模板（用原始字符串避免转义问题）
pattern = r'<TD>(.*?)</TD><TD><A HREF="(.*?)">(.*?)</TD><TD><EM>(.*?)</EM></TD>'

# 完全匹配整行内容（因为你的格式是固定的）
match_result = re.fullmatch(pattern, html_line)

if match_result:
    # 按捕获组顺序提取内容
    field1 = match_result.group(1)
    url = match_result.group(2)
    field2 = match_result.group(3)
    field3 = match_result.group(4)
    
    print(f"提取结果：field1={field1}, url={url}, field2={field2}, field3={field3}")
    # 输出：提取结果：field1=field1, url=http://sample.url.com, field2=field2, field3=field3

关键细节说明 #

• 为什么用.*?而不是.*？
  .*是「贪婪匹配」，会尽可能多的抓取字符，可能会把后面的标签也包含进去；而.*?是「非贪婪匹配」，会在遇到第一个对应的结束标签时停止，更适合你这种固定格式的场景。
• 为什么用re.fullmatch？
  因为你明确说每行格式固定，用fullmatch可以确保整行内容完全符合模板，避免匹配到不符合格式的行。

这种思路本质上和你之前见过的「用正则找已知标记」是相通的，只是反过来用已知标记作为“框架”，捕获中间的未知内容——正则完全支持这种用法，而且在格式固定的场景下非常高效。

内容的提问来源于stack exchange，提问作者Green Cloak Guy