RE работает в pythex, но не работает в python - PullRequest
Новая
       24

RE работает в pythex, но не работает в python

0 голосов
/ 23 мая 2018

Я выполняю задание, в котором мне нужно собрать информацию с живых сайтов.

Для этого я использую https://www.nintendo.com/games/nintendo-switch-bestsellers, и мне нужно просмотреть названия игр, цены, а затем источники изображений.У меня работают заголовки, но цены и источники изображений просто перенастраивают пустой список, хотя при вводе через pythex он возвращает правильный ответ.

Вот мой код: 

from re import findall, finditer, MULTILINE, DOTALL
from urllib.request import urlopen

game_html_source = urlopen\
('https://www.nintendo.com/games/nintendo-switch-bestsellers').\
read().decode("UTF-8")

# game titles - working
game_title = findall(r'<h3 class="b3">([A-Z a-z:0-9]+)</h3>', game_html_source)
print(game_title)

# game prices - retuning empty-list
game_prices = findall(r'<p class="b3 row-price">(\$[.0-9]+)</p>', game_html_source)
print(game_prices)

# game images - returning empty list
game_images = findall(r'<img alt="[A-Z a-z:]+" src=("https://media.nintendo.com/nintendo/bin/[A-Za-z0-9-\/_]+.png")>',game_html_source)
print(game_images)

1 Ответ

0 голосов
/ 23 мая 2018

Синтаксический анализ HTML с помощью регулярных выражений имеет слишком много ошибок для надежной обработки.BeautifulSoup и другие анализаторы HTML работают, создавая полную структуру данных документа, по которой вы затем перемещаетесь, чтобы извлечь интересные фрагменты - это детально и всесторонне, но если в источнике есть какой-то ошибочный HTML, даже если его в какой-то части нетне волнуйтесь, это может победить процесс разбора.Pyparsing использует средний подход - вы можете определить мини-парсеры, которые соответствуют только битам, которые вы хотите, и пропустить все остальное (это также упрощает навигацию после разбора).Чтобы устранить некоторые переменные в стилях HTML, pyparsing предоставляет функцию makeHTMLTags, которая возвращает пару выражений pyparsing для открывающих и закрывающих тегов: 

foo_start, foo_end = pp.makeHTMLTags('foo')

foo_start будет соответствовать: 

<foo>
<foo/>
<foo class='bar'>
<foo href=something_not_in_quotes>

и многие другие варианты атрибутов и пробелов.

Выражение foo_start (как и все выражения переноса) вернет объект ParseResults.Это облегчает доступ к частям анализируемого тега: 

foo_data = foo_start.parseString("<foo img='bar.jpg'>")
print(foo_data.img)

Для вашего скребка для страниц Nintendo см. Аннотированный источник ниже: 

import pyparsing as pp

# define expressions to match opening and closing tags <h3>
h3, h3_end = pp.makeHTMLTags("h3")

# define a specific type of <h3> tag that has the desired 'class' attribute
h3_b3 = h3().addCondition(lambda t: t['class'] == "b3")

# similar for <p>
p, p_end = pp.makeHTMLTags("p")
p_b3_row_price = p().addCondition(lambda t: t['class'] == "b3 row-price")

# similar for <img>
img, _ = pp.makeHTMLTags("img")
img_expr = img().addCondition(lambda t: t.src.startswith("//media.nintendo.com/nintendo/bin"))

# define expressions to capture tag body for title and price - include negative lookahead for '<' so that
# tags with embedded tags are not matched
LT = pp.Literal('<')
title_expr = h3_b3 + ~LT + pp.SkipTo(h3_end)('title') + h3_end
price_expr = p_b3_row_price + ~LT + pp.SkipTo(p_end)('price') + p_end

# compose a scanner expression by '|'ing the 3 sub-expressions into one
scanner = title_expr | price_expr | img_expr

# not shown - read web page into variable 'html'

# use searchString to search through the retrieved HTML for matches
for match in scanner.searchString(html):
    if 'title' in match:
        print("Title:", match.title)
    elif 'price' in match:
        print("Price:", match.price)
    elif 'src' in match:
        print("Img src:", match.src)
    else:
        print("???", match.dump())

Первые несколько напечатанных совпадений:

Img src: //media.nintendo.com/nintendo/bin/SF6LoN-xgX1iT617eWfBrNcWH6RQXnSh/I_IRYaBzJ61i-3hnYt_k7hVxHtqGmM_w.png
Title: Hyrule Warriors: Definitive Edition
Price: $59.99
Img src: //media.nintendo.com/nintendo/bin/wcfCyAd7t2N78FkGvEwCOGzVFBNQRbhy/AvG-_d4kEvEplp0mJoUew8IAg71YQveM.png
Title: Donkey Kong Country: Tropical Freeze
Price: $59.99
Img src: //media.nintendo.com/nintendo/bin/QKPpE587ZIA5fUhUL4nSbH3c_PpXYojl/J_Wd79pnFLX1NQISxouLGp636sdewhMS.png
Title: Wizard of Legend
Price: $15.99
...