Question

我想从网址（链接）中提取字符串。该字符串位于<h3></h3>标记中。

 link = http://www.test.com/page.html

 Content of link: <h3>Text here</h3>

首先获取page.html的内容/源代码然后提取链接的优雅方法是什么？谢谢！

Answer 1

我建议Beatiful Soup。对于拙劣的HTML页面来说，这是一个很好的解析器（在大多数情况下，你不必担心页面格式不正确）。

Answer 2

您可以使用URLLib2来检索网址的内容：

http://docs.python.org/library/urllib2.html

然后，您可以使用Python库中的HTML解析器来查找正确的内容：

http://docs.python.org/library/htmlparser.html

Answer 3

import urllib2
url="http://www.test.com/page.html"
page=urllib2.urlopen(url)
data=page.read()
for item in data.split("</h3>"):
    if "<h3>" in item:
         print item.split("<h3>")[1]

Answer 4

如果您想要的文字是仅 <h3> - 包装在网页上的文字，请尝试：

from urllib2 import urlopen
from re import search
text = search(r'(?<=<h3>).+?(?=</h3>)', urlopen(link).read()).group(0)

如果有多个<h3> - 包裹的字符串，您可以将更多详细信息放入模式中，或使用re.finditer() / re.findall()

python解析字符串后的url

4 个答案: