在python中使用findall无法获得预期的结果

Question

我是python新手（使用2.7.3）。我曾尝试使用python进行web抓取，但没有得到预期的结果：

import urllib
import re
regex='<title>(.+?)<\title>'
pattern=re.compile(regex)
dummy="fsdfsdf<title>Test<\title>dsf"
html=urllib.urlopen('http://www.google.com')
text=html.read()
print pattern.findall(text)
print pattern.findall(dummy)

虽然第二个打印语句工作正常，但第一个应该打印谷歌，但它给出了一个空白列表。你知道吗

Answer 1

尝试更改：

regex='<title>(.+?)<\title>'

至

regex='<title>(.+?)</title>'

Answer 2

你打错了斜杠：

regex='<title>(.+?)<\title>'

应该是：

regex='<title>(.+?)</title>'

HTML在结束标记中使用斜杠。你知道吗

也就是说，不要使用正则表达式来解析HTML。用这样的表达式匹配HTML会变得太复杂，太快。你知道吗

相反，使用HTML解析器，Python有几种方法可供选择。我建议您使用BeautifulSoup，这是一个流行的第三方库。你知道吗

BeautifulSoup示例：

from bs4 import BeautifulSoup

response = urllib.urlopen(url)
soup = BeautifulSoup(response.read(), from_encoding=response.info().getparam('charset'))
title = soup.find('title').text