内容简介：翻译自：https://stackoverflow.com/questions/20045955/regex-pattern-in-python-for-parsing-html-title-tags
我正在学习在 python
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.
翻译自：https://stackoverflow.com/questions/20045955/regex-pattern-in-python-for-parsing-html-title-tags
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
