python - Python解析网页的“标题”

Question

我希望能够解析网页并返回标题正好包含 4 个字母的任何元素。

例如：

<li><a href="test.com/dogs" title="dogs"></a></li>
<li><a href="test.com/cat" title="cat"></a></li>
<li><a href="test.com/horse" title="horse"></a></li>
<li><a href="test.com/eels" title="eels"></a></li>

在这个例子中，我想返回一个包含 'dogs' 和 'eels' 的数组，因为标题正好包含 4 个字符。我该怎么做呢？谢谢！

Answer 1

你应该使用BeautifulSoup。

使用它，您可以执行以下操作：

import urllib2
from BeautifulSoup import BeautifulSoup

url = # put url here
page = urllib2.urlopen(url)
text = page.read()
page.close()
soup = BeautifulSoup(text)

L = []
for x in soup.findAll('li'):
    link = x.a
    if link.has_key('title'):
        if len(link['title']) == 4:
            L.append(link['title'])
print L

Answer 2

我知道用 re 解析 html 被认为是不好的美德，但我确实喜欢直截了当的方法。

 #!/usr/bin/env python
 import re
 res_array = []
 for line in open('inputdata','r'):
     res = re.findall('title=\"[a-zA-Z][a-zA-Z][a-zA-Z][a-zA-Z]\"',line)
     if res :
         res_array.append(res[0].split('"')[1]) 
 print res_array