Question

我有一个如下的html文件：

<form action="/2811457/follow?gsid=3_5bce9b871484d3af90c89f37" method="post">
<div>
<a href="/2811457/follow?page=2&amp;gsid=3_5bce9b871484d3af90c89f37">next_page</a>
&nbsp;<input name="mp" type="hidden" value="3" />
<input type="text" name="page" size="2" style='-wap-input-format: "*N"' />
<input type="submit" value="jump" />&nbsp;1/3
</div>
</form>

如何从文件中提取“1/3”？

这是html的一部分，我打算说清楚。当我使用beautifulsoup时，

我是beautifulsoup的新手，我看过文档，但仍然感到困惑。

如何从html文件中提取“1/3”？

total_urls_num = re.findall('\d+/\d+',response)

工作代码：

from BeautifulSoup import BeautifulSoup
import re

with open("html.txt","r") as f:
    response = f.read()
    print response
    soup = BeautifulSoup(response)
    delete_urls = soup.findAll('a', href=re.compile('follow\?page'))   #works,should escape ?
    print delete_urls
    #total_urls_num = re.findall('\d+/\d+',response)   
    total_urls_num = soup.find('input',type='submit')   
    print total_urls_num

Answer 1

我认为问题在于您搜索的文本不是某个标记的属性，而是在之后。您可以使用.next：

访问它

In [144]: soup.find("input", type="submit")
Out[144]: <input type="submit" value="jump" />

In [145]: soup.find("input", type="submit").next
Out[145]: u'&nbsp;1/3\n'

然后你可以从那里得到1/3：

In [146]: re.findall('\d+/\d+', _)
Out[146]: [u'1/3']

或简单地说：

In [153]: soup.findAll("input", type="submit", text=re.compile("\d+/\d+"))
Out[153]: [u'&nbsp;1/3\n']

Answer 2

阅读此document

不

total_urls_num = soup.find('input',style='submit')   #can't work

您应该使用type代替style

>>>temp = soup.find('input',type='submit').next
'&nbsp;1/3\n'
>>>re.findall('\d+/\d+', temp)
[u'1/3']
>>>re.findall('\d+/\d+', temp).[0]
u'1/3'

beautifulsoup在文件中找不到存在的href

2 个答案: