Question

我目前正在从事一个项目，在该项目中，我下载了一堆相关的html文件，并从中收集数据。我注意到的一件事是，即使html文件的整体格式相似，但有时各种文件使用不同的标签来存储相似的信息。

例如，在一个文件中，它可能是：

<html>
<head>
<p> Title: The GodFather </p>
<p> Author: Mario Puzo </p>
</head>
<html>

在另一个示例中，可能是：

<html>
<head>
<p> Heading </p>
<pre> Ebook from xyz site: Please donate to our foundation at www.abc.com
Title: The GodFather
Author: Mario Puzo
</pre>
</head>
</html>

我可以肯定地说，在所有html文件中，“ 标题：”和“ 作者：”都是常见的。我想提取“ 标题：”和“ 作者：”旁边的文本。我想我用漂亮的汤来提取每个html文件。但是要提取标题和 Author ，使用正则表达式会是最好的吗？

Answer 1

甚至不用担心美丽的汤，只需使用正则表达式即可：

re.findall(r'(?<=Author:).*?(?=<)', html.replace('\n', ''))
>>> [' Mario Puzo']

re.findall(r'(?<=Title:).*?(?=<)', html.replace('\n', ''))
>>> [' The GodFatherAuthor: Mario Puzo']

这将与Authors匹配，当然，它可能不适用于您的某些标题，因为它在另一个标签（如上所示）之前也包含“ Author”，在这种情况下，您可以对所有抓取的标题执行title.split('Author')[0]，因为如果Author不在字符串中，则此方法将不会更改字符串。

Python Html：从html文件提取文本部分

1 个答案: