Python解析“标题”的网页[关闭]答案

【问题标题】：Python to parse web page for 'title' [closed]Python解析“标题”的网页[关闭]
【发布时间】：2012-12-17 17:58:28
【问题描述】：

我希望能够解析网页并返回标题正好包含 4 个字母的任何元素。

例如：

<li><a href="test.com/dogs" title="dogs"></a></li>
<li><a href="test.com/cat" title="cat"></a></li>
<li><a href="test.com/horse" title="horse"></a></li>
<li><a href="test.com/eels" title="eels"></a></li>

在本例中，我想返回一个包含“dogs”和“eels”的数组，因为标题正好包含 4 个字符。我该怎么做呢？谢谢！

【问题讨论】：

存在 XML 解析器。由于您询问的是 Python，请在 Google 上搜索“beautifulsoup”。
每天必须多久解释一次应该使用 HTML 或 XML 解析器而不是其他任何东西来解析标记？万亿次？ -1 来自我
@user1833746 在 OP 的辩护中，他确实问过“我该怎么做”，答案就像 Jack Maney 建议的那样。
stackoverflow.com/questions/13903868/…
您无法使用正则表达式可靠地解析 HTML。 htmlparsing.com/python.html 有如何使用解析器的示例。

标签： python regex parsing module

【解决方案1】：

你应该使用BeautifulSoup。

使用它，您可以执行以下操作：

import urllib2
from BeautifulSoup import BeautifulSoup

url = # put url here
page = urllib2.urlopen(url)
text = page.read()
page.close()
soup = BeautifulSoup(text)

L = []
for x in soup.findAll('li'):
    link = x.a
    if link.has_key('title'):
        if len(link['title']) == 4:
            L.append(link['title'])
print L

【讨论】：

老兄.. 这会很好。 Beautifulsoup 只是一个 .py 文件，您可以像这样导入：from BeautifulSoup import BeautifulSoup
由于某种原因，它没有返回任何东西。我已经尝试在 'li' 和 'a' 上执行 'soup.findAll'，即使我尝试在 for 循环中打印 x 也不会返回任何内容
我的错，我修好了。现在可以用了吗？
仍然没有运气：/ 回来 []
你确定吗？我通过将您的 html 代码直接粘贴到 soup 字符串中来测试它，输出为：[u'dogs', u'eels']

【解决方案2】：

我知道解析 html 被认为是不好的美德，但我确实喜欢直截了当的方法。

 #!/usr/bin/env python
 import re
 res_array = []
 for line in open('inputdata','r'):
     res = re.findall('title=\"[a-zA-Z][a-zA-Z][a-zA-Z][a-zA-Z]\"',line)
     if res :
         res_array.append(res[0].split('"')[1]) 
 print res_array

【讨论】：