Skip to main content
Alguns blocos de código ficaram com a sintaxe errada (https://pt.meta.stackoverflow.com/a/8607/112052)
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
html = '''
<tr bgcolor="#CCCCCC">
<td colspan="2"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">1º 

                          Período Ideal</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Aula</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Trab.</span></font></td>
<td align="center"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CH</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CE</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CP</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">ATPA</span></font></td>
</tr>'''

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
for span in soup.find_all('span', class_='txt_arial_8pt_black'):
    print(span.text)
html = '''
<tr bgcolor="#CCCCCC">
<td colspan="2"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">1º 

                          Período Ideal</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Aula</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Trab.</span></font></td>
<td align="center"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CH</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CE</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CP</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">ATPA</span></font></td>
</tr>'''

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
for span in soup.find_all('span', class_='txt_arial_8pt_black'):
    print(span.text)
soup = BeautifulSoup(html, 'html5lib')
soup = BeautifulSoup(html, 'html5lib')
import re
for texto in re.findall(r'<span class="txt_arial_8pt_black">(.*?)</span>', html, re.DOTALL):
    print(texto)
import re
for texto in re.findall(r'<span class="txt_arial_8pt_black">(.*?)</span>', html, re.DOTALL):
    print(texto)
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?![^<>]*</span>)'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?![^<>]*</span>)'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?!(?:</?(?!\bspan\b)[^<>]*>|[^<>])*</span>)'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?!(?:</?(?!\bspan\b)[^<>]*>|[^<>])*</span>)'
html = '''
<tr bgcolor="#CCCCCC">
<td colspan="2"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">1º 

                          Período Ideal</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Aula</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Trab.</span></font></td>
<td align="center"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CH</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CE</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CP</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">ATPA</span></font></td>
</tr>'''

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
for span in soup.find_all('span', class_='txt_arial_8pt_black'):
    print(span.text)
soup = BeautifulSoup(html, 'html5lib')
import re
for texto in re.findall(r'<span class="txt_arial_8pt_black">(.*?)</span>', html, re.DOTALL):
    print(texto)
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?![^<>]*</span>)'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?!(?:</?(?!\bspan\b)[^<>]*>|[^<>])*</span>)'
html = '''
<tr bgcolor="#CCCCCC">
<td colspan="2"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">1º 

                          Período Ideal</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Aula</span></font></td>
<td><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">Créd.<br/>

                          Trab.</span></font></td>
<td align="center"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CH</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CE</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">CP</span></font></td>
<td align="center" width="6%"><font color="#000000" face="Verdana, Arial, Helvetica, sans-serif" size="1"><span class="txt_arial_8pt_black">ATPA</span></font></td>
</tr>'''

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
for span in soup.find_all('span', class_='txt_arial_8pt_black'):
    print(span.text)
soup = BeautifulSoup(html, 'html5lib')
import re
for texto in re.findall(r'<span class="txt_arial_8pt_black">(.*?)</span>', html, re.DOTALL):
    print(texto)
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?![^<>]*</span>)'
r'<span[^>]+class="[^"]*\btxt_arial_8pt_black\b[^"]*"[^>]*>(.*?)</span>(?!(?:</?(?!\bspan\b)[^<>]*>|[^<>])*</span>)'
adicionou 106 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170

O Beautiful Soup pega corretamente todo o texto "Antes Durante Depois", mas a regex só pega Antes <span>Durante (obs: se quiser que o Beautiful Soup retorne todo o conteúdo do span, incluindo as tags, troque span.text por span.decode_contents()). Isso acontece porque a regex usa lazy quantifier (o ? logo depois do .* - veja mais informações aqui e aqui), ou seja, ele pega a menor quantidade possível de caracteres que satisfaça a expressão. Isso faz a regex parar no primeiro </span> que encontrar (veja).

E se eu retirar o lazy quantifier, aí ela se torna gananciosa e pega a maior quantidade possível de caracteres, ou seja, ela pega tudo até o último </span> (veja).

O Beautiful Soup pega corretamente todo o texto "Antes Durante Depois", mas a regex só pega Antes <span>Durante (obs: se quiser que o Beautiful Soup retorne todo o conteúdo do span, incluindo as tags, troque span.text por span.decode_contents()). Isso acontece porque a regex usa lazy quantifier (o ? logo depois do .* - veja mais informações aqui e aqui), ou seja, ele pega a menor quantidade possível de caracteres que satisfaça a expressão. Isso faz a regex parar no primeiro </span> que encontrar.

E se eu retirar o lazy quantifier, aí ela se torna gananciosa e pega a maior quantidade possível de caracteres, ou seja, ela pega tudo até o último </span>.

O Beautiful Soup pega corretamente todo o texto "Antes Durante Depois", mas a regex só pega Antes <span>Durante (obs: se quiser que o Beautiful Soup retorne todo o conteúdo do span, incluindo as tags, troque span.text por span.decode_contents()). Isso acontece porque a regex usa lazy quantifier (o ? logo depois do .* - veja mais informações aqui e aqui), ou seja, ele pega a menor quantidade possível de caracteres que satisfaça a expressão. Isso faz a regex parar no primeiro </span> que encontrar (veja).

E se eu retirar o lazy quantifier, aí ela se torna gananciosa e pega a maior quantidade possível de caracteres, ou seja, ela pega tudo até o último </span> (veja).

adicionou 26 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170

Usei findall para buscar todas as ocorrências existentes no HTML. O detalhe é que o trecho que corresponde ao conteúdo da tag está entre parênteses e isso forma um grupo de captura. E a documentação diz que findall retorna somente os grupos quando estes estão presentes, por isso a variável texto já tem o texto da tag a cada iteração.

Usei findall para buscar todas as ocorrências existentes no HTML. O detalhe é que o conteúdo da tag está entre parênteses e isso forma um grupo de captura. E a documentação diz que findall retorna somente os grupos quando estes estão presentes, por isso a variável texto já tem o texto da tag a cada iteração.

Usei findall para buscar todas as ocorrências existentes no HTML. O detalhe é que o trecho que corresponde ao conteúdo da tag está entre parênteses e isso forma um grupo de captura. E a documentação diz que findall retorna somente os grupos quando estes estão presentes, por isso a variável texto já tem o texto da tag a cada iteração.

removeu 63 caracteres do conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando
removeu 63 caracteres do conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando
adicionou 162 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando