python成对匹配的问题

howema

要从以下文本中匹配到公司名称和对应的地址等联系方式，
单独匹配联系方式已经实现了，但是怎么样将公司名称也对应的匹配出来？
输出为
广州南沙南航印刷厂 地址:广州南沙区
广州市高捷印刷纸业有限公司 地址:中国广东广州市花都区广塘工业开发区
即可

求教

<TABLE   border=0 cellPadding=0 cellSpacing=0 width=776 height=30 align=center  bgColor=#ffeb99><TR><td >&nbsp;<font  color=#009900 >1</font><a href='http://www.gze.cn/hmpg_JMMQGMOOCRFMF8.html'   onmousedown='return clk(1026'  target=_blank  rel='nofollow'><FONT color=#ff6600 style='FONT-FAMILY: 华文新魏; FONT-SIZE: 17pt; FONT-STYLE: normal; FONT-WEIGHT: bold'>广州南沙南航印刷厂</FONT></td><td align=right>&nbsp;&nbsp;</td></tr></table><TABLE cellPadding=3 cellSpacing=3 bgColor=#6600ff width=776 align=center><TR> <td><p class=f310>&nbsp&nbsp&nbsp&nbsp公司简介:我公司成立于1988年,经十几年的刻苦经营,巳成为一家集设计和印刷于一体的公司,公司拥有先进的德国,日本印刷设备多台,并培养出一批具有专业水平的技术人才,可以根据您的需求打造满意的印刷品,针对小批量,个性化,快速取货的产品需求,公司引进一套数码快印设备,实现了真正意义按需印刷,即时生产,解决了传统胶印小批量产品印刷成本高,货期长的问题.在未来的发展中,我们一实心
周到的一贯作风,不断创新发展,力求为您提供更好的产品和服务.</p><p><FONT color=#ffcccc>&nbsp&nbsp&nbsp&nbsp网址：<a href='http://www.gze.cn/hmpg_JMMQGMOOCRFMF8.html'    target=_blank onmousedown='return clk(1026'  rel='nofollow'><font color=#FF3333>www.gze.cn/hmpg_JMMQGMOOCRFMF8.html</font></a>&nbsp 地址:广州南沙区</FONT></td></TR></table>

                <TABLE   border=0 cellPadding=0 cellSpacing=0 width=776 height=30 align=center  bgColor=#ffeb99><TR><td >&nbsp;<font  color=#009900 >2</font><a href=http://market.page.net.cn/qy3_js.php?hy=5957 target=_blank  onmousedown='return clk(5957)' ><FONT color=#ff6600 style='FONT-FAMILY: 华文新魏; FONT-SIZE: 17pt; FONT-STYLE: normal; FONT-WEIGHT: bold'>广州市高捷印刷纸业有限公司</FONT></td><td align=right>&nbsp;&nbsp;</td></tr></table><TABLE cellPadding=3 cellSpacing=3 bgColor=#6600ff width=776 align=center><TR> <td><p class=f310>&nbsp&nbsp&nbsp&nbsp本公司是一家专业电脑纸表格印刷、标签打印纸、各行业多联式印刷表格电脑打印纸、电脑打印不干胶标签、电脑商业票据、染整纺织制衣工序单、信息记录纸品、保密信函、保险单证、保险单、广告单页,尤其善于生产有特殊要求的防伪、烫金、条形码、开天窗等电脑表格生产企业。
   我公司拥有完善的组织，先进的生产设备，实施科学的管理。在竞争激烈的今天，为适应市场和满足企业的需求，公司不断发展和激励自己。
   公司本着“立足品质、服务更好”的经营宗旨，坚持以诚信，优质的服务满足市场的要求，竭诚为广大客户服务!</p><p><FONT color=#ffcccc>&nbsp&nbsp&nbsp&nbsp&nbsp 地址:中国广东广州市花都区广塘工业开发区</FONT></td></TR></table>

icymirror

厂名和地址都是被特殊的Font tag包围的，你可以看下。
另外，厂名和地址的Font的颜色也是特定的，你可以考虑使用这些做匹配的基点。

howema

回复 2# icymirror
单独都可以匹配到，就是不知道怎么对应起来匹配


   

icymirror

如果单独的已经可以匹配到了，你可以把两个单独的连接起来一起匹配。
只是需要在连接的中间加上个任意字符匹配，还有使用整体的lazzy匹配应当就可以了。

howema

连接起来匹配到以后 中间的多余字符如何去掉？

icymirror

为什么不把之前独立工作的匹配作为子匹配串和re.group一起搭配使用呢？

howema

分别匹配 最后组合起来也是不行，对应不上；代码如下：
def getInfoFromPage(pattern,page):
    p = re.compile(pattern)
    result = p.findall(page)
    return result

pat_company = "<FONT color=#ff6600 style='FONT-FAMILY: 华文新魏; FONT-SIZE: 17pt; FONT-STYLE: normal; FONT-WEIGHT: bold'>[^<]*"
pat_info = "地址:[^<]*"

url = 'http://www.page.net.cn/s/1gzjx.php?num=10'
page = urllib2.urlopen(url)
data = page.read()
company = getInfoFromPage(pat_company,data)
print len(company)
info = getInfoFromPage(pat_info,data)
print len(info)
fd=open('result.txt','a')
for i in range(len(company) - 1):
    company_info = company[i] + ' ' + info[i]
    fd.write(company_info)
    fd.write('\n')
fd.close()

有其它办法吗？正则表达式还是用不熟啊

Hadron74

回复 7# howema

这个网站做的太次了，我试着解析了一下，没有到地址层次，你可以很容易进一步解析。

1. # coding=gbk
   
2. 
   
3. import re
   
4. import urllib2
   
5. 
   
6. url = 'http://www.page.net.cn/s/1gzjx.php?num=10'
   
7. page = urllib2.urlopen(url)
   
8. txt = page.read()
   
9. 
   
10. p0 = re.compile("(<TABLE.*?>.*?</table>)",re.M|re.DOTALL|re.UNICODE|re.IGNORECASE)
    
11. p1 = re.compile('<FONT color=#ff6600.*?>(.*?)</FONT>',re.M|re.DOTALL|re.UNICODE|re.IGNORECASE)
    
12. p2 = re.compile('<FONT color=#ffcccc.*?>(.*)</FONT>',re.M|re.DOTALL|re.UNICODE|re.IGNORECASE)
    
13. 
    
14. 
    
15. data = []
    
16. 
    
17. this = ["",""]
    
18. 
    
19. for c in p0.findall(txt):
    
20.     if 'bgColor=#ffeb99' in c:
    
21.         try:                    # 第一个表不要
    
22.             m = p1.search(c)
    
23.             this[0] = m.group(1)
    
24.         except:
    
25.             continue
    
26. 
    
27.     if 'bgColor=#6600ff' in c:
    
28.         m = p2.search(c)
    
29.         this[1] = m.group(1).replace("&nbsp","")
    
30.         data.append(this)
    
31.         this = ["",""]
    
32. 
    
33. for a,b in data:
    
34.     print a.decode("gbk").encode("utf_8"),":=",b.decode("gbk").encode("utf_8")
    

复制代码

结果：

1. 广州杉幸精密机械有限公司 :=  电话:020-82308116(3线) 手机:13316055398 Email:pulleys&#64;21cn.com 联系人:吴先生 销售经理
   
2. 广州巨盛机械科技有限公司 := 网址：<a href='http://www.jushengjixie.com'    target=_blank onmousedown='return clk(10866)'  rel='nofollow'><font color=#FF3333>www.jushengjixie.com</font></a> 地址:广州市天河区东圃镇珠村商业街1165号 电话:020-32233613 传真:020-32239799 手机:13719335639 Email:gzjs168@163.com 邮编:510655 联系人:刘智用先生
   
3. 广州市丁丁自动化设备有限公司 := 网址：<a href='http://www.gzdingding.com'    target=_blank onmousedown='return clk(4652)'  rel='nofollow'><font color=#FF3333>www.gzdingding.com</font></a> 地址:广州市 中山八路新虹街48号荔景楼商务中心B座709室 电话:020-8193458981934528 传真:020-81937879 手机:13828437393 Email:gzdingding@tom.com: 邮编:510175 联系人:钟嘉丽
   
4. 东莞市敏拓机械设备有限公司 :=  电话:0769-82281336 传真:0769-81761004 手机:13192033577 Email:mtchn@126.com 邮编:523850 联系人:洪敏
   
5. 广州市扬华机械有限公司 :=  地址:广州市花都区新华镇镜湖大道东莞村 电话:020-86800080 Email:gz_yhg&#64;yahoo.com.cn 邮编:510800
   
6. 宏高陶瓷机械公司 :=  地址:广州机场路 电话:020-86340235 Email:wintech&#64;tom.com 邮编:510000 联系人:梁小姐
   
7. 广州泰和制钉机械厂 := 网址：<a href='http://www.staple-brad.cn'    target=_blank onmousedown='return clk(11282)'  rel='nofollow'><font color=#FF3333>www.staple-brad.cn</font></a> 地址:广州番禺 电话:020-84741696 手机:13928844723 联系人:张三连
   
8. 广州市铠铭机电设备有限公司 :=  地址:广州市天河区东圃镇前进村石宦路10号A座首层 电话:(020) 82564237  传真:(020) 82564167  手机:13430388585 Email:kaiming8886&#64;yahoo.com.cn 邮编:510660 联系人:孙亚东
   
9. 广州市益佳光学技术有限公司 := 网址：<a href='http://www.yjoptical.com/'    target=_blank onmousedown='return clk(10577)'  rel='nofollow'><font color=#FF3333>www.yjoptical.com/</font></a> 地址:广州市花都区三东大道河畔东路  电话:020-61816333 Email:yijia2007cn&#64;163.com 邮编:510800 联系人:陈佳俊
   
10. 博华国际实业有限公司-骏骐五金冲压分公司 := 网址：<a href='http://www.gdbohua.com'    target=_blank onmousedown='return clk(4577)'  rel='nofollow'><font color=#FF3333>www.gdbohua.com</font></a> 地址:中国广东省广州市番禺区石基镇沙涌乡茶东工业区岗瓦路岗瓦圣1号 电话:862061905533 传真:862061905539 手机:13022051510 Email:tonyxiang&#64;126.com 邮编:516450 联系人:郑洁
    

复制代码

howema

谢谢，是网页内容不规则

howema

网页前面有好几个Table