Question

我知道有些模块完全简化了这个功能，但是说我是从python的基础安装（仅限标准模块）运行的，我将如何提取以下内容：

我有一份清单。该列表是网页的逐行内容。这是一个模拟列表（未格式化），用于提供信息：

<script>
    link = "/scripts/playlists/1/" + a.id + "/0-5417069212.asx";
<script>

"<a href="/apps/audio/?feedId=11065"><span class="px13">Eastern Metro Area Fire</span>"

从上面的字符串中，我需要提取以下内容。 feedId（11065），在上面的代码中偶然是a.id，“/ scripts / playlists / 1 /”和“/0-5417069212.asx”。记住这些行中的每一行都只是列表中对象的内容，我将如何提取该数据？

以下是完整列表：

contents = urllib2.urlopen("http://www.radioreference.com/apps/audio/?ctid=5586")

伪：

from urllib2 import urlopen as getpage
page_contents = getpage("http://www.radioreference.com/apps/audio/?ctid=5586")

feedID        = % in (page_contents.search() for "/apps/audio/?feedId=%")
titleID       = % in (page_contents.search() for "<span class="px13">%</span>")
playlistID    = % in (page_contents.search() for "link = "%" + a.id + "*.asx";")
asxID         = * in (page_contents.search() for "link = "*" + a.id + "%.asx";")

streamURL     = "http://www.radioreference.com/" + playlistID + feedID + asxID + ".asx"

我打算将其格式化为streamURL应该=：

http://www.radioreference.com/scripts/playlists/1/11065/0-5417067072.asx

Answer 1

我是用正则表达式做的。 Python的re模块很棒！

但是，搜索包含所有页面文本的单个字符串（而不是逐行重复搜索）会更容易（也更快）。如果可以，请在打开URL时获得read()，而不是readlines()（或直接遍历文件对象）。如果你不能这样做，你可以使用"\n".join(list_of_strings)将行重新放回一个字符串。

以下是一些适用于您的示例网址的代码：

from urllib2 import urlopen
import re

contents = urlopen("http://www.radioreference.com/apps/audio/?ctid=5586").read()

playlist_pattern = r'link = "([^"]+)" \+ a.id \+ "([^"]+\.asx)'
feed_pattern = r'href="/apps/audio/\?feedId=(\d+)"><span class="px13">([^<]+)'
pattern = playlist_pattern + ".*" + feed_pattern

playlist, asx, feed, title = re.search(pattern, contents, re.DOTALL).groups()

streamURL = "http://www.radioreference.com" + playlist + feed + asx

print title
print streamURL

输出：

Eastern Metro Area Fire
http://www.radioreference.com/scripts/playlists/1/11065/0-5417090148.asx

一次性完成所有匹配并非绝对必要。如果需要，您可以使用playlist_pattern和feed_pattern分别获得两个部分。尽管如此，将两半中的任何一个分开是有点困难，因为你将开始为某些部分运行额外的匹配（例如，有几个相同的link = "stuff"部分。）

手动提取列表中包含的部分字符串（解析）

1 个答案: