Python desen uyumu

Question

Şu anda eski bir bash betiğini benimseme işlevine sahip bir Python betiğine dönüştürme sürecindeyim. Çoğu şeyi yapabildim, ancak Python desen eşleştirmesi ile çok fazla sorun yaşıyorum.

Önceki betiğimde, bir web sayfası indirdim ve istediğim öğeyi almak için sed kullanmıştım. Eşleştirme (istediğim değerlerden biri için) şöyle yapıldı:

PM_NUMBER=`cat um.htm | LANG=sv_SE.iso88591 sed -n 's/.*ol.st.*pm.*count..\([0-9]*\).*/\1/p'` 

It "pm olästa" ibaresinden sonra <span class="count"></span> sarılı numarayla aynı olacaktır. Ben bir sürü için soruyorum gibi görünüyor, çünkü bu yazı için tereddüt am

<td style="padding-left: 11px;"> 
    <a href="/abuse_list.php"> 
     <img src="/gfx/abuse_unread.png" width="15" height="12" alt="" title="9 anmälningar" /> 
    </a> 
</td> 
<td align="center"> 
    <a class="page_login_text" href="/pm.php" title="Du har 3 olästa pm."> 
     <span class="count">3</span> 
</td> 
<td style="padding-left: 11px;" align="center"> 
    <a class="page_login_text" href="/blogg_latest.php" title="Du har 1 ny bloggkommentar"> 
     <span class="count">1</span> 
</td> 
<td style="padding-left: 11px;" align="center"> 
    <a class="page_login_text" href="/user_guestbook.php" title="Min gästbok"> 
     <span class="count">1</span> 
</td> 
<td style="padding-left: 11px;" align="center"> 
    <a class="page_login_text" href="/forum.php?view=3" title="Du har 1 ny forumkommentar"> 
     <span class="count">1</span> 
</td> 
<td style="padding-left: 11px;" align="center"> 
    <a class="page_login_text" href="/user_images.php?user_id=162005&func=display_new_comments" title="Du har 1 ny albumkommentar"> 
     <span class="count">1</span> 
</td> 
<td style="padding-left: 11px;" align="center"> 
    <a class="page_login_text" href="/forum_favorites.php" title="Du har 2 uppdaterade trådar i &quot;bevakade trådar&quot;"> 
     <span class="count">2</span> 
</td> 

ama birisi bu ayrıştırmak için bir yol lütfen bana yardımcı olabilir: Ben buna karşı koşuyorum biçimlendirme olduğunu Python? Saçlarımı yapmaya çalışıyorum, ama normal ifadeler ve ben sadece uyuşmuyoruz (pardon). Son birkaç saati, düzenli ifadelerle Python el kitabını denedim ve okuyarak geçirdim, ama bunu anlayamıyorum.

Sadece şunu açıklığa kavuşturmak için, ihtiyacım olan şey <span class="count"></span> içinde numarayı eşleştirmek için 7 farklı ifadedir. Örneğin, okunmamış PM'leri ("olästa pm") bulabilmek için ihtiyacım var.

Answer 1

Kullanıcı Lxml XPath'lerdeki

• lxml
• xpath

ile oldukça kolay Aradığınız değerleri çekmeyi yapabilirsiniz

Örnek

from lxml import html 
page = html.fromstring(open("um.htm", "r").read()) 
matches = page.xpath("//a[contains(@title, 'pm.') or contains(@title, 'ol')]/span") 
print [elem.text for elem in matches] 

Answer 2

Kendiniz html'yi ayrıştırmayacaksınız. Html ayrıştırmak için python yerleşik bir html çözümleyici kullanacaksınız.

• Lightweight xml dom parser in python
• Beautiful Soup

Answer 3

kullanımı: ya regexes ile

• BeautifulSoup
• lxml

ayrıştırma HTML felaket için bir tarifi. HTML'yi düzenli ifadelerle güvenilir bir şekilde eşleştirmek imkansızdır.

Answer 4

Belirli bir sayfa için çalışan bir şeyleri bir araya getirmek genellikle mümkündür, ancak kaynak HTML'ye ince bir ince ayar yapmak bile tüm çalışmalarınızı işe yaramaz hale getirebilir. HTML, sadece Regex'in tanımlayabileceğinden daha karmaşık bir yapıya sahiptir.

Uygun çözüm, özel bir HTML ayrıştırıcısı kullanmaktır. XML ayrıştırıcılarının bile ihtiyacınız olanı yapmayacağına ve güvenilir bir şekilde olmayacağına dikkat edin. Geçerli XHTML geçerli bir XML'dir, ancak oldukça benzer olsa da geçerli bir HTML bile değildir. Ve geçerli HTML/XHTML zaten vahşi bulmak neredeyse imkansız.

• BeautifulSoup standart kütüphanede değil, ama neredeyse hepsi gerçek dünya HTML işleyebilir en bağışlayıcı ayrıştırıcısıdır ve tam yapmak için tasarlanmış:

  birkaç farklı HTML ayrıştırıcılar bulunmamakta Ne yapmaya çalışıyorsun?

• HTMLParser, Python standart kitaplığında bulunur, ancak yalnızca geçerli HTML'yi kabul etme konusunda oldukça katıdır.
• htmllib da standart kitaplıktadır, ancak kullanımdan kaldırılmıştır.

Diğer kişilerin önerdiği gibi, BeautifulSoup neredeyse kesinlikle en iyi seçimdir.