使用正则表达式从 HTML 中提取所有值

Posted 2023-02-23

【中文标题】使用正则表达式从 HTML 中提取所有值

【英文标题】：Use regex to extract all values from HTML

【发布时间】：2019-06-05 23:41:01

【问题描述】：

我需要轻推才能完成这个脚本。

我正在为特定子字符串抓取新闻通讯网站。目的是解析页面中名为 Companies提到.. 的特定部分，并将每个公司的名称转换为 List 数据类型

这是我目前所拥有的，它有效，但只获得第一项：

from bs4 import BeautifulSoup as bs4
import requests
import re

url = 'http://news.hipsternomics.com/issues/how-much-is-your-personal-data-worth-on-the-black-market-148489'
r = requests.get(url).text
soup = bs4(r, 'html.parser')
companies = []
for elem in soup(text=re.compile(r'^(.*?Companies mentioned\b)')):
    companies.append(elem)    

期望的结果：

我想将提到的公司加入到这样的列表中： [Google, Apple, Tesla, Nike, TJX, Ross, L Brands, Dominoes]

我还可以改进正则表达式函数以捕获异常，例如“本期提到的公司：”或“提到的公司：”，如 here 所示。 谢谢。

【问题讨论】：

通常使用正则表达式来解析 HTML 是一个非常糟糕的主意。您应该依赖功能齐全的 XML/HTML 解析器。

【参考方案1】：

您可以通过提供div 类值来访问内容：

import requests, re
from bs4 import BeautifulSoup as soup
d = soup(requests.get('http://news.hipsternomics.com/issues/how-much-is-your-personal-data-worth-on-the-black-market-148489').text, 'html.parser')
new_d = [i for i in d.find_all('div', 'class':'revue-p') if 'Companies mentioned' in i.text][0]
*final_results, _ = [re.sub('^[\w\s]+[,\s:]+|^[,\s]+|\s+$', '', i) for i in new_d.contents if isinstance(i, str)]

输出：

['Google', 'Apple', 'Tesla', 'Nike', 'TJX', 'Ross', 'L Brands', 'Domino’s']

【讨论】：

最后一行左边的语法是什么意思？看起来像是拆包。

@QHarr 是的，它正在拆包。 _ 被称为 throwaway 变量。

@QHarr 很高兴为您提供帮助！

超级有帮助。谢谢。您是否使用工具来构建正则表达式函数？

【参考方案2】：

您想要实现的目标无法仅使用正则表达式来完成。一个捕获组只能捕获一件事，并且您无法动态捕获组。 This article has further explanation。

我要做的是首先获取所有公司的字符串

all_companies = re.search(r'Companies mentioned YTD:\s(.*)', orig_text).group(1)
print(all_companies, '\n')

接下来，用,分割字符串

companies_percent = all_companies.split(', ')

# print(companies_percent, '\n')
# Output
# ['Google -1%', 'Apple 0%', 'Tesla +15%', 'Nike +17%', 'TJX +18%', 'Ross -2%', 'L Brands -47%', 'Domino’s +37%'] 

最后去掉公司名称后面的百分比

companies = list(map(lambda x: re.search(r'(.*)\s[\+|-]?\d+%', x).group(1), companies_percent))

# print(companies, '\n')
# Output
# ['Google', 'Apple', 'Tesla', 'Nike', 'TJX', 'Ross', 'L Brands', 'Domino’s'] 

把它们放在一起：

import re
from bs4 import BeautifulSoup as bs4
import requests

url = 'http://news.hipsternomics.com/issues/how-much-is-your-personal-data-worth-on-the-black-market-148489'
r = requests.get(url).text
soup = bs4(r, 'html.parser')

all_companies = re.search(r'Companies mentioned YTD:\s(.*)', soup.get_text()).group(1)
companies_percent = all_companies.split(', ')
companies = list(map(lambda x: re.search(r'(.*)\s[\+|-]?\d+%', x).group(1), companies_percent))

https://repl.it/@hanxue/capturingrepeatedtextgrouppython 的可运行示例