0

Здравствуйте.

Мне необходимо парсить страницы html.

Почему, некоторые данные удаётся достать, а некоторые нет?

К примеру:

r'<div class="a">(.+)</div>'  # работает

r'<strong class="b">(.+)</strong>'   # не работает
2
  • 1
    А пример "не работы" будет?
    – alexlz
    20 апр 2013 в 10:10
  • 1
    Не стоит парсить HTML регулярными выражениями. В общем случае этот инструмент не приспособлен для таких задач.
    – VladD
    20 апр 2013 в 12:03

3 ответа 3

1

Я бы вам посоветовал всё же использовать предназначенные для вашей задачи инструменты. lxml полностью покроет ваши потребности. В крайнем случае регулярными выражениями придётся пользоваться уже получив нужный блок из html страницы. Ну или более специализированная под грабёж сайта библиотека (которая использует то-же самый lxml) - Grab (http://habrahabr.ru/post/127584/)

0

Слишком расплывчатый вопрос, но попробуйте добавить «квантификатор жадности» (.+?)

2
  • пробовал ;(
    – progmb
    20 апр 2013 в 10:01
  • 2
    Тогда нужно видеть, что есть, что из этого хочется получить (идеальный результат) и, что из этого получается сейчас (текущий результат).
    – qnub
    20 апр 2013 в 10:02
0

Точка в регулярном выражении - это любой символ, кроме переноса строки. Если хотите, чтобы все символы захватывало, компилируйте регулярки с помощью флага re.DOTALL.

Ваш ответ

Нажимая на кнопку «Отправить ответ», вы соглашаетесь с нашими условиями использования и подтверждаете, что прочитали и поняли наши политику конфиденциальности и нормы поведения.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.