6

Como capturar uma ou mais frases de um site com Python e/ou expressões regulares?

Quero tudo que comece com

<p>&#8220; e acabe com &#8221;</p>

Exemplo:

<p>&#8220;frasefrasefrasefrasefrasefrasefrasefrase.&#8221;</p>

Como proceder?

5
  • A regex deu certo para você?
    – stderr
    Commented 27/01/2015 às 21:44
  • Não, nem o módulo beautifulsoup, acredito que por falta de conhecimento da minha parte.. Mas cheguei proximo do que queria com os dois.
    – Vinicius
    Commented 27/01/2015 às 23:48
  • Dependendo sobre o que é, acho que posso ajudar, se for algo que se encaixe nessa pergunta, edite, se não for crie uma nova pergunta explicando aonde você quer chegar. Se puder marque a resposta como aceita.
    – stderr
    Commented 28/01/2015 às 0:16
  • @QMechanic73 gostaria de marcar a resposta como aceita, como faço?
    – Vinicius
    Commented 28/01/2015 às 4:28
  • Para marcar uma resposta como aceita, clique na marca de verificação do lado esquerdo da resposta; sua cor mudará de cinza para verde. Veja.
    – stderr
    Commented 28/01/2015 às 11:03

1 Resposta 1

3

Você pode usar a expressão #8220;(\w.+)&#8221 que vai corresponder a números e letras(minusculas e maiúsculas) e . que estiverem entre #8220; e &#8221.

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

dados = """<p>&#8220;Linha 1&#8221;</p>
<p>&#8220;Linha 2&#8221;</p>

<p>&#8220;Linha 3 &#8221;</p>
"""

regex = re.compile("#8220;(\w.+)&#8221", 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

DEMO

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']))
1

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .