Etiquetas con expresiones regulares

[exorton]

Estoy leyendo una pagina con python con la intención que me obtenga los valores de una etiqueta href y su descripción. me explico:

tengo lo siguiente, de una lista de fechas de nacimiento, donde al hacer click al id lleva a mas datos de la persona.

Código HTML:

<a href="index.php?id=1111">23/08/1980&nbsp;</a>
<a href="index.php?id=1111">CARLOS RIQUELME &nbsp;</a>
 
<a href="index.php?id=1112">20-04-1983</a>
<a href="index.php?id=1112">Luis Sobarso</a>
 
<a href="index.php?id=1113">11/03</a>
<a href="index.php?id=1113">
                
                    Ana López
                
            
</a>
 

Si se fijan cada id tiene dos valores fecha y nombre, como tiene que ser la exprecion regular para que me encuentre todos??

tengo lo siguiente que encontré por ahí

Código Python:

import httplib2
import re
 
h = httplib2.Http('.cache')
response, content = h.request(url)
link = re.compile(b'<a href=\"index.php\?id=([\d]+)\">(.*?)<\/a>')
personas = link_of.findall(content)
 

obtengo un array de las personas, pero no esta Ana Lopez (seguro que por los \r\n\t no se como y donde ponerlos) y en Carlos Riquelme me deja el  

[AlvaroG]

Para "Ana Lopez" agregale re.DOTALL a compile. Eso hará que el punto coincida con saltos de línea (por defecto no lo hace):

Código Python:

re.compile(' el patron...', re.DOTALL)
 

En el caso de "CARLOS RIQUELME" el problema es que le estás pidiendo que coincida con cualquier caracter.
Quizás tengas más suerte limitando la búsqueda a letras o espacios, pero eso te puede dar problemas en el futuro con apellidos "raros": si tu patrón pasa a ser "[a-zA-Z ]", ¿qué pasará cuando tengas el apellido "O'Neill"?
Si sabes que siempre será un nombre y un apellido, podrías limitar la búsqueda a dos partes separadas por espacio:
(.+? .+?)
pero eso ya depende de cómo estén los datos en la página original.
Lo que quiero decir es que es un problema difícil de solucionar sin generar errores, y sería bastante molesto ir eliminando casos particulares.


Saludos.

[razpeitia]

No uses expresiones regulares para parsear HTML. Mejor usa un parser HTML como lxml.

Código Python:

from lxml import etree
 
s = u"""<a href="index.php?id=1111">23/08/1980&nbsp;</a>
<a href="index.php?id=1111">CARLOS RIQUELME &nbsp;</a>
 
<a href="index.php?id=1112">20-04-1983</a>
<a href="index.php?id=1112">Luis Sobarso</a>
 
<a href="index.php?id=1113">11/03</a>
<a href="index.php?id=1113">
                
                    Ana Lopez
                
            
</a>"""
 
root = etree.HTML(s)
for i in root.xpath("//a"):
    print i.get('href'), i.text