0

我正在尝试使用 RE 和 python 从随机页面中提取所有产品。但是，我不知道为什么我没有得到任何匹配。我很肯定我的代码的 re.findall 部分出现了问题，特别是当我添加“.*”时。

    import urllib2, re
    response=urllib2.urlopen('http:/  /www.tigerdirect.com/applications/Category/guidedSearch.asp?CatId=17&cm_sp=Masthead-_-Computers-_-Spot%2002')
    stuff=response.read()
    laptops= re.findall(r'<div class="product"> .* </div>',stuff)
    for laptop in laptops:
        print laptop
4

1 回答 1

2

.*是一个贪心匹配，你可能应该使用.*?非贪心版本。

这是您尝试匹配的记录之一的示例

'<div class="product"><div class="productImage"><a href="../SearchTools/item-details.asp?EdpNo=4903661&amp;Sku=T71-156409" class="itemImage" title="Lenovo Z580 15.6&quot; Core i7 500GB HDD Notebook PC"><img src="http://images.highspeedbackbone.net/skuimages/medium/T71-156409_chiclet01xx_er.jpg" alt="It features a powerful 3rd generation Intel Core i7-3520M and a 4GB DDR3 RAM which deliver you a powerful computing performance." onerror="this.src=\'http://images.highspeedbackbone.net/SearchTools/no_image-sm.jpg\'" border="0" /></a></div><div class="productInfo"><h3 class="itemName"><a href="../SearchTools/item-details.asp?EdpNo=4903661&amp;Sku=T71-156409" title="Lenovo Z580 15.6&quot; Core i7 500GB HDD Notebook PC">Lenovo Z580 15.6" Core i7 500GB HDD Notebook PC</a></h3></div>'

看起来您也需要删除周围的.*空格

>>> response=urllib2.urlopen('http://www.tigerdirect.com/applications/Category/guidedSearch.asp?CatId=17&cm_sp=Masthead-_-Computers-_-Spot%2002')
>>> stuff=response.read()
>>> laptops= re.findall(r'<div class="product">.*?</div>',stuff)
>>> len(laptops)
16

解析 HTML 有更好的方法，例如BeautifulSoup

于 2013-06-20T03:11:04.903 回答