Question

所以我设法将页面源代码作为字符串，但我的问题是现在我需要解析它，例如。找到一个单词的每个实例，并将下几行保存在一个数组中。

我的文字看起来像这样

<div class="searchResult">
        <table id="ctl00_lp_ctl01_lst" class="searchResultList" cellspacing="0" border="0" style="border-collapse:collapse;">
        <tr>
            <td class="searchResultI">
                <div class="date">
                    13:07
                    &nbsp;&nbsp;
                    17 July
                    </div>
                <div class="sTitle">
                    <a href="www.example1.com/result1">
                        Link Description</a></div>
                <div class="sSubTitle">
                    </div>
            </td>
        </tr><tr>
            <td class="searchResultAI">
                <div class="date">
                    20:07
                    &nbsp;&nbsp;
                    16 July
                    </div>
                <div class="sTitle">
                    <a href="www.example2.com/result2">
                        Link Description<</a></div>
                <div class="sSubTitle">
                    </div>
            </td>
        </tr><tr>

        and so on

我希望得到href链接和链接描述并将它们放在一个数组中。我不知道为什么这对我来说是如此微不足道，因为我用其他语言做了几个解析项目。我已经在网上搜索过但没有任何帮助。

Answer 1

您不应该使用正则表达式来解析HTML。 Python附带了许多用于HTML解析的解析器。这里的一个很好的选择是美丽的汤。这就是让href链接使用汤的容易程度。

import urllib2
from bs4 import BeautifulSoup
url = urllib2.urlopen("http://www.example.com/").read()
soup = BeautifulSoup(url)
for line in soup.find_all('a'):
        print(line.get('href'))

使用Python解析网站

1 个答案: