Question

我必须下载HTML页面的源代码，然后找到特定的标题并将其打印在Python的GUI上。我能够下载HTML文件，但是无法在下载的HTML页面中找到我感兴趣的元素。例如，我当前正在使用此网页。

https://www.metacritic.com/browse/games/release-date/coming-soon/all/date

第一个发布的游戏是“ Lovecraft的不为人知的故事”。我想要这个标题并在我的GUI中打印。在HTML页面中，该标题是通过

标签打印的。我正在使用Findall方法，但是它什么也不返回。附言我不能使用任何其他图书馆，包括Beautiful Soap或要求。我只能使用urllib，findall，finditer，MULTILINE，DOTALL。当前实现的代码如下所示。

def game_function():
   game = Tk()
   game.geometry('600x400')
   game.title('Upcoming Video Game Releases')
   game.resizable(0,0)
   opener = urllib.request.FancyURLopener({})
   url = "file:///D:/Riz/Poppie%202/Upcoming%20Video%20Game%20Releases%20for%202019%20-%20Metacritic.html"

  with urllib.request.urlopen(url) as response:
     encoding = response.info().get_param('charset', 'utf8')
     html = response.read().decode(encoding)
  print("",html)
  title_tag = '<h3>(.*)</h3>'
  title_1 = findall(title_tag, html)
  print("",title_1)

  title1_subtitle = Label(game, text = title_1, bg='white', fg='black', font = ('Arial', 14, 'bold'))
  title1_subtitle.place(relx=0.8, rely=0.49)
  title1_subtitle.configure(wraplength='260')

  game.mainloop()

Answer 1

问题是由于\n标记内有换行符（h3）引起的。在re.findall的第一个参数中，.表示除换行符之外的任何字符，除非您使用re.DOTALL作为第三个参数。此外，您应该使用非贪婪版本。我希望下面的例子可以清楚地说明这一点：

import re
txt = '''<h3>
SomeTitle
</h3>
AnotherContent
<h3>
AnotherTitle
</h3>'''
nodotall = re.findall('<h3>(.*)</h3>',txt)
withdotall = re.findall('<h3>(.*)</h3>',txt,re.DOTALL)
nongreedy = re.findall('<h3>(.*?)</h3>',txt,re.DOTALL)
print(nodotall) # [] i.e. nothing found
print(withdotall) # ['\nSomeTitle\n</h3>\nAnotherContent\n<h3>\nAnotherTitle\n'] i.e. everything between first <h3> and last </h3>
print(nongreedy) # ['\nSomeTitle\n', '\nAnotherTitle\n'] i.e. desired output

Findall在下载的HTML页面中标识特定标题

1 个答案: