Python 爬虫 使用正则去掉不想要的网页元素
2024-04-26 10:16:31
在做爬虫的时候，我们总是不想去看到网页的注释，或者是网页的一些其他元素，有没有好的办法去掉他们呢？
例如：下面的问题
第一种情况
<ahref="http://artso.artron.net/auction/search_auction.php?keyword=%E6%9E%97%E7%BB%8D%E5%91%A8"target="_blank">林绍周（明）</a>辑</td>
想要得到的结果是：林绍周（明）辑
第二种情况 <ahref="http://artso.artron.net/auction/search_auction.php?keyword=%E9%92%9F%E6%83%BA"target="_blank">钟惺（明）</a><ahref="http://artso.artro
n.net/auction/search_auction.php?keyword=%E8%B0%AD%E5%85%83%E6%98%A5"target="_blank">谭元春</a>辑</td>
想要得到的结果是：钟惺（明）谭元春辑
第三种情况
<ahref="http://artso.artron.net/auction/search_auction.php?keyword=%E8%90%A7%E5%A8%B4"target="_blank">萧娴（1902～1997）</a></td>
想要得到的结果是： 萧娴（1902～1997）
针对这三种情况，可以试用正则 sub去提取信息
ewline = """<ahref="http://artso.artron.net/auction/search_auction.php?keyword=%E6%96%87%E7%83%BA"target="_blank">文烺</a><ahref="htt
p://artso.artron.net/auction/search_auction.php?keyword=%E6%9D%8E%E9%93%A0"target="_blank">李铠</a>等</td>""" re_comment = re.compile('<ahref=[^>]*target="_blank">')
print re_comment
newlines = re_comment.sub('', newline)
print newlines.replace('</a>',' ').replace('</td>','').replace('</a>','')
运行结果是：
C:\Python27\python.exe C:/Users/xuchunlin/PycharmProjects/A9_25/haiwai__guanwang/0/qq.py
文烺 李铠 等 Process finished with exit code 0
最新文章
- CheckedComboBoxEdit 重置初始化值的方法
- webAPI 数组参数
- Android Bundle
- 实现jsp网站添加到收藏夹
- Application、Session、Cookie、ViewState的特性
- Photoshop：模拟钢笔压力
- labview 中activex的初步使用方法
- PHP缓冲区强制及时输出
- 关于ServletConfig的小结
- ural 1748 The Most Complex Number 和 丑数
- jQuery选择器(适合初学者哟....)
- Qzone 高性能 HTTPS 实践
- 转载：教你分分钟搞定Docker私有仓库Registry
- text-stroke实现文字描边（镂空）、text-fill-color实现文字填充&渐变（+animation实现流光字体）
- Linux 部署 xxl-job 注意问题
- tyvj/joyoi 1340 送礼物
- Nginx+keepalived 双机热备（主主模式）
- python --- 14 递归 二分法查找
- git 提交去除每次输账号密码
- Redis 实现问题