Question

我正试图从我已经删除的列表中提取所有大写电影：我正在尝试使用正则表达式来执行此操作

Sub cpypaste()    
    Range("E7").Select    
    SendKeys ("^c"), True    
    Application.Wait (Now + TimeValue("00:00:01"))    
    Range("G7").Select        
    SendKeys ("^v"), True    
End Sub

但是，我的输出会在我的电影结尾附加额外的大写字母

wikis = ["http://www.boxofficemojo.com/daily/chart/"]
for wiki in wikis:
    website = requests.get(wiki)
    soup = BeautifulSoup(website.content, "lxml")
    text = ''.join([element.text for element in soup.body.find_all(lambda tag: tag != 'script', recursive=False)])
    new =  re.sub(r'[^a-zA-Z \n]','',text)
    caps = re.findall('([A-Z]+(?=\s[A-Z]+)(?:\s[A-Z]+)+)', new)

不确定原因，但我知道它与我的正则表达式代码有关：

'BEASTS OF NO NATIONN'
'EVEREST U'
'THE MARTIANF'

我该如何解决这个问题？

Answer 1

改为使用它。

caps = re.findall('([A-Z]+(?:(?!\s?[A-Z][a-z])\s?[A-Z])+)', new)

确保下一个单词不仅仅是大写单词。我不能检查这个，所以我不确定它是否会起作用。

编辑：

我道歉，一旦我真正想到它，最后一个没有任何意义。它已被更改为应该工作的

Answer 2

问题是soup.body.find_all(lambda tag: tag != 'script', recursive=False)只返回3个元素。第三个似乎是正文中的所有文本都删除了所有标签。因此，您的电影名称正好与您的工作室名称相对应，如下所示：THE MARTIANFox。所以抓住那个帽子会给你带来MARTIANF。

此外，只是寻找上限，你会因为非字母字符而错过MISSION：IMPOSSIBLE - ROGUE NATION等内容。

相反怎么样？

wikis = ["http://www.boxofficemojo.com/daily/chart/"]
for wiki in wikis:
    website = requests.get(wiki)
    caps = re.findall("<a href=\"/movies[^>]*>([^<a-z]*)</a>", website.content)

每部电影都在一个指向/电影的链接中，因此这是一种查找它们的简便方法。 <a href=\"movies[^>]*>将匹配开始的锚标记，([^<a-z]*)将匹配锚标记（电影标题）中没有小写字符的字符串，然后</a>将其关闭。

从列表中提取所有大写单词（Python3）

2 个答案: