Question

我有两个号码（NUM1; NUM2）我试图提取具有相同格式的网页：

<div style="margin-left:0.5em;">  
  <div style="margin-bottom:0.5em;">
    NUM1 and NUM2 are always followed by the same text across webpages
  </div>

我认为正则表达式可能是这些特定领域的方法。这是我的尝试（借鉴各种来源）：

def nums(self):
    nums_regex = re.compile(r'\d+ and \d+ are always followed by the same text across webpages')
    nums_match = nums_regex.search(self)
    nums_text = nums_match.group(0)
    digits = [int(s) for s in re.findall(r'\d+', nums_text)]
    return digits

本身，在函数之外，此代码在指定文本的实际源时起作用（例如，nums_regex.search（text））。但是，我正在修改另一个人的代码，而我以前从未真正使用过类或函数。以下是他们的代码示例：

@property
def title(self):
    tag = self.soup.find('span', class_='summary')
    title = unicode(tag.string)
    return title.strip()

正如您可能已经猜到的那样，我的代码无效。我收到错误：

nums_match = nums_regex.search(self)
TypeError: expected string or buffer

看起来我没有正确地提供原始文本，但我该如何解决？

Answer 1

您可以使用相同的正则表达式模式通过文本查找// blendColors uses the Porter-Duff over method // for combing two colors with alpha channels func blendColors(c1 color.Color, c2 color.Color) color.Color { r1, g1, b1, a1 := extractComponents(c1) r2, g2, b2, a2 := extractComponents(c2) var ( a = a1 + a2*(1.0-a1) r = (r1*a1 + r2*a2*(1.0-a1)) / a g = (g1*a1 + g2*a2*(1.0-a1)) / a b = (b1*a1 + b2*a2*(1.0-a1)) / a ) return color.RGBA{ R: clampColorValue(int(r)), G: clampColorValue(int(g)), B: clampColorValue(int(b)), A: clampColorValue(int(a * 255)), } }，然后提取所需的数字：

BeautifulSoup

请注意，由于您尝试匹配文本的一部分而不是与HTML结构相关的任何内容，我认为将正则表达式应用于完整文档是非常好的。

下面填写完整的工作示例代码示例。

使用import re pattern = re.compile(r"(\d+) and (\d+) are always followed by the same text across webpages") for elm in soup.find_all("div", text=pattern): print(pattern.search(elm.text).groups())正则表达式/“按文字”搜索：

BeautifulSoup

仅限正则表达式搜索：

import re

from bs4 import BeautifulSoup

data = """<div style="margin-left:0.5em;">
  <div style="margin-bottom:0.5em;">
    10 and 20 are always followed by the same text across webpages
  </div>
</div>
"""

soup = BeautifulSoup(data, "html.parser")
pattern = re.compile(r"(\d+) and (\d+) are always followed by the same text across webpages")

for elm in soup.find_all("div", text=pattern):
    print(pattern.search(elm.text).groups())

使用BeautifulSoup

1 个答案: