使用 python (3.3.1) 在 html 源代码中搜索字符串答案

【问题标题】：search for a string inside html source with python (3.3.1)使用 python (3.3.1) 在 html 源代码中搜索字符串
【发布时间】：2013-07-06 19:30:13
【问题描述】：

我正在做一个从网页获取信息的项目。在 html 源代码中，我有以下内容：

Resultado de Busca： Foram encontrados 264 casais

我需要得到“encontrados”和“casais”之间的数字

在 Python 中是否有这样做的？我应该使用什么字符串函数？在这种情况下，我想避免使用正则表达式。

import urllib.request
f = urllib.request.urlopen("http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07")
s = f.read()

print(s.split())

到目前为止，我得到了这个，但现在我很难找到我需要的号码。

import urllib.request
f = urllib.request.urlopen("http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07")
s = f.read()

num = int(s[s.index("encontrados")+len("encontrados"):s.index("casais")])

这给了我下面的错误

TypeError：类型 str 不支持缓冲区 API

【问题讨论】：

标签： python string split

【解决方案1】：

如果您要解析 HTML，我建议使用 Beautiful Soup 之类的库。不需要正则表达式。

编辑

使用您刚刚添加的 URL，这是获取 HTML 对象的示例代码：

import BeautifulSoup
import re
import urllib

data = urllib.urlopen('http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07').read()
soup = BeautifulSoup.BeautifulSoup(data)
element = soup.find('span', attrs={'class': re.compile(r".*\btxt_resultad_busca_casamento\b.*")})
print element.text

这将在页面上找到具有 txt_resultad_busca_casamento 类的 HTML span 元素，我相信这是您要提取的数据。从那里您可以解析.text 属性以获取您感兴趣的确切数据。

编辑 2

糟糕，刚刚意识到使用了正则表达式……BeautifulSoup 中的类匹配似乎并不完美！至少在站点更改其 HTML 之前，该行应该可以使用：

element = soup.find('div', attrs={'id': 'ctl00_body_uppBusca'}).find('span')

【讨论】：

没问题。我会帮助解析实际数据，但该 URL 似乎返回“Não foram encontrados casais”而不是“Resultado de Busca: Foram encontrados 264 casais”。

【解决方案2】：

鉴于您无法使用正则表达式解析 html，如果您将文件视为一袋文本，则必须使用正则表达式或类似的东西：

a = 'Resultado de Busca: Foram encontrados 264 casais' #your page text
num = int(a[a.index("encontrados")+len("encontrados"):a.index("casais")])

【讨论】：

【解决方案3】：

你对那个字符串的格式持肯定态度吗？如果您有这样的字符串（并且总是会），您可以使用：

s = "Resultado de Busca: Foram encontrados 264 casais"
items = s.split()

您的号码将被索引为 5 in items。

【讨论】：