Python opération de chaîne, d'un extrait du texte entre les balises html

J'ai une chaîne de caractères:

<font face="ARIAL,HELVETICA" size="-2">  
JUL 28         </font>

(il ne sort plus de deux lignes, donc il doit y avoir un \n dans.

Je souhaite extraire la chaîne de caractères qui est entre le <font></font> balises. Dans ce cas, c'est JUIL 28, mais il pourrait être une autre date ou un autre nombre.

1) Le meilleur moyen d'extraire de la valeur entre les balises de polices? Je pensais que je pouvais tout extraire dans entre "> et </.

edit: deuxième question supprimée.

Remarque, le <font face="........> balise n'est pas TOUJOURS le même.
Cela devrait probablement être de deux questions distinctes..
Vous avez probablement raison. Nous allons ignorer le second. Je vais vous inquiéter à ce sujet plus tard.

OriginalL'auteur Flux Capacitor | 2011-10-27

  1. 9

    Alors qu'il peut être possible de parser HTML arbitraire avec des expressions régulières, c'est souvent un piège mortel. Il existe d'excellents outils pour l'analyse de code HTML, y compris BeautifulSoup, qui est une lib Python qui peut gérer cassé ainsi que de bonnes HTML assez bien.

    >>> from BeautifulSoup import BeautifulSoup as BSHTML
>>> BS = BSHTML("""
... <font face="ARIAL,HELVETICA" size="-2">  
... JUL 28         </font>"""
... )
>>> BS.font.contents[0].strip()
u'JUL 28'

    Ensuite, vous avez juste besoin d'analyser la date:

    >>> datetime.strptime(BS.font.contents[0].strip(), '%b %d')
>>> datetime.datetime(1900, 7, 28, 0, 0)
datetime.datetime(1900, 7, 28, 0, 0)
    Nice! Cela semble beaucoup moins compliqué que la regex.
    Un mot d'avertissement: Mon deuxième argument de strptime ci-dessus est en fait un jeu de paramètres régionaux spécifiques exemple. Veuillez consulter la documentation pour plus de détails si vous avez besoin d'un jeu de paramètres régionaux-agnostique ou des paramètres régionaux différents de la solution.

    OriginalL'auteur kojiro

  2. 6

    Vous avez un tas d'options ici. Vous pouvez aller pour un analyseur xml comme lxml, même si vous semblez vouloir un domaine spécifique de la solution. J'irais avec un multiligne regex:

    import re
rex = re.compile(r'<font.*?>(.*?)</font>',re.S|re.M)
...
data = """<font face="ARIAL,HELVETICA" size="-2">  
JUL 28         </font>"""

match = rex.match(data)
if match:
    text = match.groups()[0].strip()

    Maintenant que vous avez text, vous pouvez la transformer en une date assez facilement:

    from datetime import datetime
date = datetime.strptime(text, "%b %d")
    Vous avez dit sur AnthonyHurst de répondre que c'est à partir d'un site web. J'ai utilisé lxml de l'analyse html avec beaucoup de succès récemment, je vous le recommande fortement.
    Merci! J'avais vu quelque chose de similaire avec les expressions régulières dans une autre question, mais n'a pas réussi à le faire fonctionner. Votre solution a fonctionné parfaitement pour moi. L'inconvénient est que je ne sorte de comprendre ce qui se passe avec elle.

    OriginalL'auteur fahhem

  3. 1

    Ou, vous pouvez simplement utiliser Belle Soupe:

    Belle Soupe est un Python, HTML/XML parser conçu pour une rotation rapide des projets comme le grattage d'écran

    Probablement excessif, mais un bon choix si il n'y a plus d'analyse HTML à faire.

    OriginalL'auteur Óscar López

  4. 0

    Grep est une option?

    grep "<[^>]*>(.*)<\/[^>]*>" file

    La (.*) doit correspondre à votre contenu.

    Je suis en train de faire tout cela en Python... j'ai utilisé scrapy pour gratter une page web et de forage vers le bas pour arriver à la chaîne ci-dessus.
    désolé alors je ne pouvais pas mieux vous aider. vous pouvez toujours utiliser le re (expression régulière) de la bibliothèque de saisir la même chose.
    Eh bien, vous pourriez utiliser des sous-processus et continuer à exécuter la commande

    OriginalL'auteur AnthonyHurst

  5. 0

    Utilisation Scrapy de XPath sélecteurs comme documenté http://doc.scrapy.org/en/0.10.3/topics/selectors.html

    Alternativement, vous pouvez utiliser un analyseur HTML comme BeautifulSoup surtout si souhaitez utiliser le document dans un objet.

    http://pypi.python.org/pypi/BeautifulSoup/3.2.0

    OriginalL'auteur Victor Olex

  6. 0

    Python dispose d'une bibliothèque appelée HTMLParser. Voir aussi la question suivante posté dans qui est très similaire à ce que vous recherchez:

    Comment puis-je utiliser le python HTMLParser bibliothèque pour extraire des données à partir d'un certain balise div?

    OriginalL'auteur yasouser