匹配端口号

Question

我试图从html页面中匹配<span>标记中的端口号：

<span class="tbBottomLine" style="width:50px;">
                8080
        </span>
<span class = "tbBottomLine" style = "width: 50px;">
            80
    </ span>
<span class = "tbBottomLine" style = "width: 50px;">
            3124
    </ span>
<span class = "tbBottomLine" style = "width: 50px;">
            1142
    </ span>

剧本：

import urllib2
import re

h = urllib2.urlopen('http://www.proxy360.cn/Region/Brazil')

html = h.read()

parser_port = '<span.*>\s*([0-9]){2,}\s*</span>'

p = re.compile(parser_port)

list_port = p.findall(html)

print list_port

但是我得到了这个输出：

['8', '8', '0', '0', '0', '8', '8', '0', '0', '8', '8', '8', '8', '8', '8', '8', '8', '0']

例如，我需要它来匹配8080。

Answer 1

您正在重复组([0-9]){2,}。它用最后一个值覆盖。

相反，在组内重复子模式：

<span[^>]*>\s*([0-9]{2,})\s*</\s*span>

码

parser_port = '<span[^>]*>\s*([0-9]{2,})\s*</\s*span>'
p = re.compile(parser_port)

list_port = p.findall(html)

Answer 2

如果你想把端口从页面上拉下来。

parser_port = '<span.*>\s*([0-9]{2,})+\s*</span>'

您需要至少两个长度( {2，} )的一个或多个字符(+符号)。但是还不清楚用例是什么。