从网站中提取特定行

Question

</span>
                    <div class="clearB paddingT5px"></div>
                    <small>
                        10/12/2015 5:49:00 PM -  Seeking Alpha
                    </small>
                    <div class="clearB paddingT10px"></div>

假设我有一个网站的源代码，其中一部分看起来像这样。 我试图使“小”和“ /小”之间的界限。 在整个网页中，有很多这样的行，包含在“小”和“ /小”之间。 我想提取介于“小”和“ /小”之间的所有行。

我正在尝试使用看起来像这样的“正则表达式”功能

regex = '<small>(.+?)</small>'
datestamp = re.compile(regex)
urls = re.findall(datestamp, htmltext)

这仅返回空白。 请给我建议。

Answer 1

您可以通过以下两种方法来解决此问题：

首先使用正则表达式，不建议：

import re

html = """</span>
    <div class="clearB paddingT5px"></div>
    <small>
        10/12/2015 5:49:00 PM -  Seeking Alpha
    </small>
    <div class="clearB paddingT10px"></div>"""

for item in re.findall('\<small\>\s*(.*?)\s*\<\/small\>', html, re.I+re.M):
    print '"{}"'.format(item)

其次，使用BeautifulSoup之类的方法为您解析HTML：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all("small"):
    print '"{}"'.format(item.text.strip())

为这两个提供以下输出：

"10/12/2015 5:49:00 PM -  Seeking Alpha"

Answer 2

在这里使用xml.etree。 这样，您就可以从网页中获取html数据，并使用urllib2 .....返回想要的任何标签，就像这样。

import urllib2
from xml.etree import ElementTree

url = whateverwebpageyouarelookingin
request = urllib2.Request(url, headers={"Accept" : "application/xml"})
u = urllib2.urlopen(request)
tree = ElementTree.parse(u)
rootElem = tree.getroot()
yourdata = rootElem.findall("small")  
print yourdata