Question

这是网页：

<html>
<head>
<!--eBay V3- msxml 6.0 XXXXXXXXXXXXXXXXXXXXXXXXXX-->
<!--srcId - File Exchange Programmatically Upload-->
<META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=UTF-8">
<title>Upload File Programmatically</title><script language="JavaScript"><!--
                                                                var pageName = "File Exchange Upload";

                                                        //--></script><script language="javascript" src="http://include.ebaystatic.com/js/e867/us/legacy/globals_e8672us.js"> </script><script src="http://include.ebaystatic.com/js/e885/us/legacy/common_functions_e8852us.js"> </script></head>
<body>
                                File upload successful. Your ref # is 711103172.<br><a href="javascript:void(0);" onclick="self.close();return false;">Close</a></body>
</html>

我需要提取数字711103172，BeautifulSoup会适合这个吗？或者其他一些方法（我现在正在使用BS，但这个页面结构很少。

我可以获取正文中的数据来返回：

<body>
                                File upload successful. Your ref # is 711103172.<br><a href="javascript:void(0);" onclick="self.close();return false;">Close</a></body>

然而，一旦我到达那里，我就被困住了。

Answer 1

使用BeautifulSoup获取body文字，然后使用regular expressions提取所需的数字：

import re
from bs4 import BeautifulSoup

data = """
    Your HTML code here
"""

soup = BeautifulSoup(data, "html.parser")
match = re.search(r'Your ref # is (\d+)', soup.body.text)
print match.group(1) if match else 'Not Found'

打印：

711103172

仅供参考，(\d+)正则表达式的一部分是saving/capturing group。 \d+匹配一个或多个数字。

BeautifulSoup获取没有页面结构的数据

1 个答案: