o problema específico desta tag, no exemplo que está aí, é que o conteúdo da célula se estende por mais de uma linha. Você nao colocou seu código Python (é dificil responder a pergunta assim), mas você tem que adicionar a flag re.MULTILINEDOTALL
à chamada que executa a expressão regular. (não tem como dar exemplo, já que não sabemos qual função você está usando). Essa flag indica para o engine que todo o bloco de texto deve ser tratado em conjunto, e não que cada nova linha "inicia novamente" um bloco de texto onde aplicar a expressão regular.
Acho que em todas as chamadas do módulo re
, as flags são o último parâmetro - é só adicionar o re.MULTILINEDOTALL
na sua chamada.
Perceba que mesmo funcionando, expressões regulares não são a forma masi adequada de se extrair conteúdo web - você pode usar se quer algo bem específico, em páginas que você sabe como estão - e que não parseiam direito, como é esse caso - mas uma expressão regular "universal" que dê conta de qualquer estrutura válida no HTML não só seria muito difícil de escrever e manter, como seria algo monstruoso -seria muito mais fácil fazer um parser. Não enfatizo mais esse ponto, por que esse HTML aí realmente é bem ruim - então, ua solução ad-hoc pode ser o melhor a fazer.
No entanto você está fazendo um uso bastante ineficiente de expressões regulares aí: voce está passando caracteres exatos, sem usar nenhum dos recursos para garantir que você continue pegando seus resultados se mudar o nome da classe no elemento spam
, ou se tiver um espaço a mais em algum lugar, ou outras tags, etc... - pode ser que funcione assim sempre, e pode ser que quebre derrepente, ou que você deixe de pegar tags que nem perceba que estão lá por conta de espaçamento, etc... O ideal seria usar uma regexp mais flexível do que essa aí.