Question

我正试图从这个网站中提取一些信息，即：

比例（Virgo + GA + Shapley）：29 pc / arcsec = 0.029 kpc / arcsec = 1.72 kpc / arcmin = 0.10 Mpc / degree

但是后面的所有内容都是可变的，具体取决于galtype。

我编写了一个使用beautifulsoup和urllib并返回sone信息的代码，但我正在努力将数据进一步减少到我想要的信息。我如何获得我想要的信息？

galname='M82'
a='http://ned.ipac.caltech.edu/cgi-bin/objsearch?objname='+galname+'&extend'+\
   '=no&hconst=73&omegam=0.27&omegav=0.73&corr_z=1&out_csys=Equatorial&out_equinox=J2000.0&obj'+\
   '_sort=RA+or+Longitude&of=pre_text&zv_breaker=30000.0&list_limit=5&img_stamp=YES'

print a
import urllib
f = urllib.urlopen(a)
from bs4 import BeautifulSoup
soup=BeautifulSoup(f)

soup.find_all(text=re.compile('Virgo')) and soup.find_all(text=re.compile('GA')) and soup.find_all(text=re.compile('Shapley'))

Answer 1

定义一个正则表达式模式，帮助BeautifulSoup找到合适的节点，然后使用保存组提取数字：

pattern = re.compile(r"D \(Virgo \+ GA \+ Shapley\)\s+:\s+([0-9\.]+)")
print pattern.search(soup.find(text=pattern)).group(1)

打印5.92。

此外，通常我反对使用正则表达式来解析HTML，但是，因为这是一个文本搜索，我们不会使用正则表达式匹配开始或结束标记或与HTML结构相关的任何内容提供 - 您只需将模式应用于页面的HTML源代码，而无需使用HTML解析器：

data = f.read()
pattern = re.compile(r"D \(Virgo \+ GA \+ Shapley\)\s+:\s+([0-9\.]+)")
print pattern.search(data).group(1)

使用python urllib和美丽的汤从html网站中提取信息

1 个答案: