【发布时间】：2014-06-13 09:49:42
【问题描述】：
我想抓取社交书签网站中提到的所有 *.wordpress 网址。页面中的 url 格式如下：
<span class="domain">somedomain.com </span>
这是我想出的：
import os
import urllib2
import re
from os.path import basename
from urlparse import urlsplit
import time
baseurl = 'https://targetwebsite/pages/'
print baseurl
spage = int(raw_input("Start page?"))
epage = int(raw_input("End page?"))
for p in range (spage, epage):
url= baseurl+ str(p)
print url
urlContent = urllib2.urlopen(url).read()
#WHAT REGEXP HERE?
domainUrls = re.findall('span .*.wordpress.com (.*?) ', urlContent)
try:
for dUrl in domainUrls:
print dUrl
except:
print "an error occured"
pass
我尝试了不同的正则表达式，但都没有奏效。感谢您的帮助。
【问题讨论】：
-
欢迎来到 Stack Overflow！请解释您所说的“不工作”是什么意思。请包含完整回溯（如果存在）。
-
使用 HTML 解析器，例如 BeautifulSoup。
-
@Veedrac。谢了哥们。我是 Python 新手，没有任何追溯。打印语句没有显示任何内容。
-
@ComputerFellow 你介意解释一下吗？
-
@starluv 我建议您查找与 HTML 匹配的正则表达式，然后将其复制。肯定有数百个。