首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >RE在pythex中工作,但在python中不工作。

RE在pythex中工作,但在python中不工作。
EN

Stack Overflow用户
提问于 2018-05-22 22:52:31
回答 1查看 198关注 0票数 2

我正在做一个任务,我需要从现场抓取信息。

为此,我正在使用https://www.nintendo.com/games/nintendo-switch-bestsellers,并需要刮的游戏标题,价格,然后图像来源。我有标题工作,但价格和图像来源只是调整空的名单,虽然当通过pythex它返回正确的答案。

这是我的代码:

代码语言:javascript
复制
from re import findall, finditer, MULTILINE, DOTALL
from urllib.request import urlopen

game_html_source = urlopen\
('https://www.nintendo.com/games/nintendo-switch-bestsellers').\
read().decode("UTF-8")

# game titles - working
game_title = findall(r'<h3 class="b3">([A-Z a-z:0-9]+)</h3>', game_html_source)
print(game_title)

# game prices - retuning empty-list
game_prices = findall(r'<p class="b3 row-price">(\$[.0-9]+)</p>', game_html_source)
print(game_prices)

# game images - returning empty list
game_images = findall(r'<img alt="[A-Z a-z:]+" src=("https://media.nintendo.com/nintendo/bin/[A-Za-z0-9-\/_]+.png")>',game_html_source)
print(game_images)
EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2018-05-23 04:03:47

使用regex解析HTML有太多的缺陷,难以进行可靠的处理。BeautifulSoup和其他HTML解析器的工作方式是构建一个完整的文档数据结构,然后导航它来提取有趣的部分--它是彻底的和全面的,但是如果源中有一些错误的HTML,即使它位于您不关心的部分,它也可以击败解析过程。parsing采用了一种中间的方法--您可以定义与您想要的部分匹配的迷你解析器,并跳过其他所有内容(这也简化了解析后的导航)。为了解决HTML样式中的某些变化,pyparsing提供了一个函数makeHTMLTags,它为开始标记和结束标记返回一对pair解析表达式:

代码语言:javascript
复制
foo_start, foo_end = pp.makeHTMLTags('foo')

foo_start将匹配:

代码语言:javascript
复制
<foo>
<foo/>
<foo class='bar'>
<foo href=something_not_in_quotes>

还有更多的属性和空格的变化。

foo_start表达式(就像所有return解析表达式一样)将返回一个ParseResults对象。这使得访问解析标记的各个部分变得非常容易:

代码语言:javascript
复制
foo_data = foo_start.parseString("<foo img='bar.jpg'>")
print(foo_data.img)

有关任天堂页面刮刀,请参见下面的注释源:

代码语言:javascript
复制
import pyparsing as pp

# define expressions to match opening and closing tags <h3>
h3, h3_end = pp.makeHTMLTags("h3")

# define a specific type of <h3> tag that has the desired 'class' attribute
h3_b3 = h3().addCondition(lambda t: t['class'] == "b3")

# similar for <p>
p, p_end = pp.makeHTMLTags("p")
p_b3_row_price = p().addCondition(lambda t: t['class'] == "b3 row-price")

# similar for <img>
img, _ = pp.makeHTMLTags("img")
img_expr = img().addCondition(lambda t: t.src.startswith("//media.nintendo.com/nintendo/bin"))

# define expressions to capture tag body for title and price - include negative lookahead for '<' so that
# tags with embedded tags are not matched
LT = pp.Literal('<')
title_expr = h3_b3 + ~LT + pp.SkipTo(h3_end)('title') + h3_end
price_expr = p_b3_row_price + ~LT + pp.SkipTo(p_end)('price') + p_end

# compose a scanner expression by '|'ing the 3 sub-expressions into one
scanner = title_expr | price_expr | img_expr

# not shown - read web page into variable 'html'

# use searchString to search through the retrieved HTML for matches
for match in scanner.searchString(html):
    if 'title' in match:
        print("Title:", match.title)
    elif 'price' in match:
        print("Price:", match.price)
    elif 'src' in match:
        print("Img src:", match.src)
    else:
        print("???", match.dump())

印出来的第一批火柴如下:

代码语言:javascript
复制
Img src: //media.nintendo.com/nintendo/bin/SF6LoN-xgX1iT617eWfBrNcWH6RQXnSh/I_IRYaBzJ61i-3hnYt_k7hVxHtqGmM_w.png
Title: Hyrule Warriors: Definitive Edition
Price: $59.99
Img src: //media.nintendo.com/nintendo/bin/wcfCyAd7t2N78FkGvEwCOGzVFBNQRbhy/AvG-_d4kEvEplp0mJoUew8IAg71YQveM.png
Title: Donkey Kong Country: Tropical Freeze
Price: $59.99
Img src: //media.nintendo.com/nintendo/bin/QKPpE587ZIA5fUhUL4nSbH3c_PpXYojl/J_Wd79pnFLX1NQISxouLGp636sdewhMS.png
Title: Wizard of Legend
Price: $15.99
票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/50477503

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档