python中的正则表达式模式,用于解析HTML标题标记

中使用re模块和urllib模块,并尝试编写一个简单的Web scraper.这是我写的代码,只是为了抓住网站的标题：

#!/usr/bin/python

import urllib
import re

urls=["http://google.com","https://facebook.com","http://reddit.com"]

i=0

these_regex="<title>(.+?)</title>"
pattern=re.compile(these_regex)

while(i<len(urls)):
        htmlfile=urllib.urlopen(urls[i])
        htmltext=htmlfile.read()
        titles=re.findall(pattern,htmltext)
        print titles
        i+=1

这为Google和Reddit提供了正确的输出,但没有为Facebook提供 – 就像这样：

['Google']
[]
['reddit: the front page of the internet']

这是因为,我在Facebook页面上发现标题标签如下：<title id =“pageTitle”>.为了适应额外的id =,我修改了these_regex变量,如下所示：these_regex =“<title.？>(.？)</ title>”.但是这给出了以下输出：

[]
['Welcome to Facebook \xe2\x80\x94 Log in, sign up or learn more']
[]

我如何将两者结合起来,以便我可以考虑标题标签中传递的任何其他参数？

您正在使用正则表达式,并且将HTML与此类表达式匹配变得太复杂,太快.

使用HTML解析器,Python有几个可供选择.我建议您使用 BeautifulSoup ,一个受欢迎的第三方库.

BeautifulSoup示例：

from bs4 import BeautifulSoup

response = urllib2.urlopen(url)
soup = BeautifulSoup(response.read(), from_encoding=response.info().getparam('charset'))
title = soup.find('title').text

由于标题标签本身不包含其他标签,因此您可以在此处使用正则表达式,但只要您尝试解析嵌套标签,就会遇到非常复杂的问题.

您可以通过匹配标题标记中的其他字符来解决您的具体问题：

r'<title[^>]*>([^<]+)</title>'

这匹配0个或更多不是结束的字符>托架.这里的’0或更多’可以让你匹配额外的属性和普通的<title>标签.