Question

我喜欢HTML：

<a class="archive-title" target="_blank" href="http://python.jobbole.com/84100/" title="SQLAlchemy 和其他的 ORM 框架">SQLAlchemy 和其他的 ORM 框架</a><br />
            2016/01/12 &middot

我想获得href，title和2016/01/11的内容。

我尝试过：

soup = BeautifulSoup(contents)
result = soup.find_all("a", attrs={"class": "archive-title"})
for i in result:
    print i.get('href') + " " + i.get('title')

结果是：

http://python.jobbole.com/84100/ SQLAlchemy 和其他的 ORM 框架

我不知道如何同时获得2016/01/11日期。我该怎么办？

Answer 1

如果整个页面中的模式相同：

[a.parents.contents[-1] for a in soup.find_all('a')]

（如果父节点中有更多内容，则将索引更改为-1以外）

Answer 2

正则表达式始终是一个选择：

import re
src = """<a class="archive-title" target="_blank" href="http://python.jobbole.com/84100/" title="SQLAlchemy 和其他的 ORM 框架">SQLAlchemy 和其他的 ORM 框架</a><br />
        2016/01/12 &middot"""
print re.findall('(\d{4}/\d{2}/\d{2})', src.replace('\n','') )

结果是：[＆＃39; 2016/01/12＆＃39;]

使用BeautifulSoup4从HTML

2 个答案: