pythonhtml：从htmlfi中提取部分文本

2024-10-01 09:16:18 发布

您现在位置：Python中文网/ 问答频道 /正文
8021 3

我目前正在做一个项目，我下载了一堆相关的html文件，并从中收集数据。我注意到的一点是，尽管html文件的整体格式相似，但有时不同的文件使用不同的标记来存储相似的信息。你知道吗

例如，在一个文件中可以是：

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

另一个例子是：

<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>

你知道吗 你知道吗

我可以肯定地说，“标题：”和“作者：”在所有html文件中都很常见。我想提取“标题：”和“作者：”旁边的文本。 我假设我用漂亮的汤来提取每个html文件。但是要提取标题和作者，使用正则表达式是最好的吗？你知道吗


Tags： 文件the数据项目标题titlehtml作者
1条回答
网友
1楼 · 发布于 2024-10-01 09:16:18

不用为靓汤操心，只要用正则表达式：

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

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

这将匹配作者，当然，它可能不适用于您的一些标题，因为它还包含在另一个标记之前的“Author”（如上所示），在这种情况下，您可以对所有已爬网的标题执行title.split('Author')[0]，因为如果Author不在字符串中，此方法将不会更改字符串。你知道吗

相关问题 更多 >

    编程相关推荐