Question

</span>
                    <div class="clearB paddingT5px"></div>
                    <small>
                        10/12/2015 5:49:00 PM -  Seeking Alpha
                    </small>
                    <div class="clearB paddingT10px"></div>

假设我有一个网站的源代码，其中一部分看起来像这样。我试图在“小”和“/小”之间划清界限。在整个网页中有许多这样的线条，包围在“小”和“/小”之间。我想提取“小”和“/小”之间的所有行。

我正在尝试使用看起来像这样的“正则表达式”函数

regex = '<small>(.+?)</small>'
datestamp = re.compile(regex)
urls = re.findall(datestamp, htmltext)

这只返回一个空格。请告诉我这个。

Answer 1

以下两种方法可以解决这个问题：

首先使用正则表达式，不推荐使用：

import re

html = """</span>
    <div class="clearB paddingT5px"></div>
    <small>
        10/12/2015 5:49:00 PM -  Seeking Alpha
    </small>
    <div class="clearB paddingT10px"></div>"""

for item in re.findall('\<small\>\s*(.*?)\s*\<\/small\>', html, re.I+re.M):
    print '"{}"'.format(item)

其次使用类似BeautifulSoup的内容为您解析HTML：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all("small"):
    print '"{}"'.format(item.text.strip())

为两者提供以下输出：

"10/12/2015 5:49:00 PM -  Seeking Alpha"

Answer 2

在这里使用xml.etree。有了这个，你可以从网页上获取html数据，并使用urllib2返回你想要的任何标签......就像这样。

import urllib2
from xml.etree import ElementTree

url = whateverwebpageyouarelookingin
request = urllib2.Request(url, headers={"Accept" : "application/xml"})
u = urllib2.urlopen(request)
tree = ElementTree.parse(u)
rootElem = tree.getroot()
yourdata = rootElem.findall("small")  
print yourdata

从网站提取特定行

2 个答案: