求解这种非标准 html 如何提取有效数据

This topic created in 2911 days ago, the information mentioned may be changed or developed.

近 10W+的文本文件，如何正确取出里面的姓名、地址、身份证号等信息，是不是只能用正则？

4 replies • 2018-11-22 23:50:36 +08:00

ClutchBear

Nov 22, 2018

我记得 pyquery 某个参数可以把没有闭合标签自动解析出闭合的

fox1955

Nov 22, 2018

npm install sax

imn1

Nov 22, 2018

建议正则吧，10w+用 dom 解析是难以想象的
用 xml sax 流式解析也可以

night98

Nov 22, 2018 via Android

格式完全一致还是说其中有部分缺斤少两的？先写个正则把 html 元素干掉，剩下的看规律写正则搞定。