Como capturar uma ou mais frases de um site com Python e/ou expressões regulares?
Quero tudo que comece com
<p>“ e acabe com ”</p>
Exemplo:
<p>“frasefrasefrasefrasefrasefrasefrasefrase.”</p>
Como proceder?
Como capturar uma ou mais frases de um site com Python e/ou expressões regulares?
Quero tudo que comece com
<p>“ e acabe com ”</p>
Exemplo:
<p>“frasefrasefrasefrasefrasefrasefrasefrase.”</p>
Como proceder?
Você pode usar a expressão #8220;(\w.+)”
que vai corresponder a números e letras(minusculas e maiúsculas) e .
que estiverem entre #8220;
e ”
.
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import re
dados = """<p>“Linha 1”</p>
<p>“Linha 2”</p>
<p>“Linha 3 ”</p>
"""
regex = re.compile("#8220;(\w.+)”", re.MULTILINE)
matches = regex.findall(dados)
if matches:
print(matches)
# Saída: ['Linha 1', 'Linha 2', 'Linha 3 ']
Como você pode ver será retornado uma lista, para acessar um valor especifico faça:
print(matches[0])
# Saída: Linha 1
Nota: Expressões regulares não são recomendáveis para lidar com estruturas de arquivos html/xml, o correto seria utilizar um parser, como o Beautifulsoup
que serve muito bem para esse propósito de scraping.
Veja um exemplo:
#!/usr/bin/env python
from BeautifulSoup import BeautifulSoup
from urllib2 import urlopen
url = 'http://pt.stackoverflow.com'
html = urlopen(url).read()
soup = BeautifulSoup(html)
for li in soup.findAll('li'):
for a in li.findAll('a'):
print("%-45s: %s" %(a.text, a['href']))