我想从大约1000-2000个不同的餐馆网站上搜索联系信息。几乎所有这些都在主页或某种“联系”页面上都有联系信息，但没有两个网站完全相同（即，没有共同的模式可以利用）。我怎样才能可靠地从这些网站中抓取电子邮件/手机#info，而无需将Python脚本专门指向页面上的特定元素（即，脚本需要与结构无关，因为每个网站都有一个独特的HTML结构，他们不会'例如，所有人都有“联系人”div）中的联系信息。
我知道没有办法编写一个100％有效的程序，我只想最大化我的命中率。
关于这一点的任何指导 - 从哪里开始，阅读什么 - 将不胜感激。
感谢。
答案 0 :(得分：1)
在大多数国家/地区，电话号码遵循极少数明确定义的模式中的一种，可以与简单的正则表达式匹配 - 同样电子邮件地址具有国际公认的格式 - 只需抓取主页，联系人或联系我们页面然后解析正则表达式 - 你应该很容易达到90％以上的准确度。
当然，您只需将餐馆名称和城镇提交到当地的黄页网站即可。
答案 1 :(得分：1)
查看python的正则表达式模块。 您可以编写一个简单的表达式，如：
re.search(u"\(\d{3}\) \d{3}-\d{4}",string)
找到任何标准格式的电话号码字符串（美国号码）。 它看起来像胡言乱语，但一旦你这样做，它应该会使网络抓取变得无比容易。 这是一个不错的入门教程：
http://www.tutorialspoint.com/python/python_reg_expressions.htm
如果您遇到太多动态网页，我还强烈推荐使用Selenium进行网页抓取：