Python Html：从 html 文件中提取部分文本答案

【问题标题】：Python Html: Extract Parts of Text from html filePython Html：从 html 文件中提取部分文本
【发布时间】：2019-04-10 10:53:07
【问题描述】：

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。我注意到的一件事是，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签来存储相似的信息。

例如，在一个文件中可能是：

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

在另一个例子中，它可能是：

<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，“Title:”和“Author:”在所有 html 文件中都很常见。我想提取“Title:”和“Author:”旁边的文本。我假设我使用漂亮的汤来提取每个 html 文件。但是要提取Title和Author，最好使用正则表达式吗？

【问题讨论】：

标签： python html web-scraping beautifulsoup natural-language-processing

【解决方案1】：

别管漂亮的汤，用正则表达式就行了：

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，授予，它可能不适用于您的某些标题，因为它还在另一个标签之前包含“作者”（如上所示），在这种情况下，您可以为所有抓取的标题执行 title.split('Author')[0]，因为如果Author 不在字符串中此方法不会改变字符串。

【讨论】：