Expresión regular de Python para análisis HTML (BeautifulSoup)

Quiero obtener el valor de un campo de entrada oculto en HTML.Expresión regular de Python para análisis HTML (BeautifulSoup)

<input type="hidden" name="fooId" value="12-3456789-1111111111" />

Quiero escribir una expresión regular en Python que devolverá el valor de fooId, dado que yo sé la línea en el código HTML sigue el formato

<input type="hidden" name="fooId" value="**[id is here]**" />

Puede alguien dar un ejemplo en Python analizar el HTML para el valor?

Fuente

2008-09-10 lupefiasco

Para este caso particular, BeautifulSoup es más difícil de escribir que una expresión regular, pero es mucho más robusto ... sólo estoy contribuyendo con el ejemplo BeautifulSoup, dado que usted ya sabe qué expresión regular de empleo: -)

from BeautifulSoup import BeautifulSoup 

#Or retrieve it from the web, etc. 
html_data = open('/yourwebsite/page.html','r').read() 

#Create the soup object from the HTML data 
soup = BeautifulSoup(html_data) 
fooId = soup.find('input',name='fooId',type='hidden') #Find the proper tag 
value = fooId.attrs[2][1] #The value of the third attribute of the desired tag 
          #or index it directly via fooId['value']

Fuente

2008-09-10 22:16:24

Creo que la palabra clave "nueva" no coincide. –

/<input type="hidden" name="fooId" value="([\d-]+)" \/>/

Fuente

2008-09-10 21:56:05 Pat

de análisis es una de las áreas en las que realmente no quiere rodar su propia si se puede evitar que, debido a que estarán persiguiendo a los casos de borde y los insectos durante años ir Ven

Yo recomendaría usar BeautifulSoup. Tiene una muy buena reputación y se ve desde los documentos como que es bastante fácil de usar.

Fuente

2008-09-10 21:57:00

Estoy de acuerdo con un caso general, pero si está haciendo un script único para analizar una o dos cosas muy específicas, una expresión regular puede hacer la vida más fácil. Obviamente más frágil, pero si la mantenibilidad no es un problema, entonces no es una preocupación. Dicho esto, BeautifulSoup es fantástico. –

Me encanta Regex, pero tengo que estar de acuerdo con Orion en este caso. Esta es una de las ocasiones en que me viene a la mente la cita famosa de Jamie Zawinski: "Ahora tienes dos problemas" –

import re 
reg = re.compile('<input type="hidden" name="([^"]*)" value="<id>" />') 
value = reg.search(inputHTML).group(1) 
print 'Value is', value

Fuente

2008-09-10 21:59:47

/<input\s+type="hidden"\s+name="([A-Za-z0-9_]+)"\s+value="([A-Za-z0-9_\-]*)"\s*/>/ 

>>> import re 
>>> s = '<input type="hidden" name="fooId" value="12-3456789-1111111111" />' 
>>> re.match('<input\s+type="hidden"\s+name="([A-Za-z0-9_]+)"\s+value="([A-Za-z0-9_\-]*)"\s*/>', s).groups() 
('fooId', '12-3456789-1111111111')

Fuente

2008-09-11 09:41:15

Estoy de acuerdo con Vinko BeautifulSoup es el camino a seguir. Sin embargo, sugiero usar fooId['value'] a get the attribute en lugar de confiar en que el valor sea el tercer atributo.

from BeautifulSoup import BeautifulSoup 
#Or retrieve it from the web, etc. 
html_data = open('/yourwebsite/page.html','r').read() 
#Create the soup object from the HTML data 
soup = BeautifulSoup(html_data) 
fooId = soup.find('input',name='fooId',type='hidden') #Find the proper tag 
value = fooId['value'] #The value attribute

Fuente

2008-09-15 17:35:44

'nuevo'? ¡Eso no es Python! – habnabit

Pyparsing es un buen paso intermedio entre BeautifulSoup y regex. Es más robusto que solo expresiones regulares, ya que su análisis de etiquetas HTML comprende variaciones en el caso, el espacio en blanco, la presencia/ausencia/orden de atributos, pero es más simple hacer este tipo de extracción de etiqueta básica que usar BS.

Su ejemplo es especialmente simple, ya que todo lo que está buscando se encuentra en los atributos de la etiqueta de "entrada" de apertura. Aquí es un ejemplo pyparsing mostrando varias variaciones en su etiqueta de entrada que daría a los ataques expresiones regulares, y también muestra cómo no coincide con una etiqueta si está dentro de un comentario:

html = """<html><body> 
<input type="hidden" name="fooId" value="**[id is here]**" /> 
<blah> 
<input name="fooId" type="hidden" value="**[id is here too]**" /> 
<input NAME="fooId" type="hidden" value="**[id is HERE too]**" /> 
<INPUT NAME="fooId" type="hidden" value="**[and id is even here TOO]**" /> 
<!-- 
<input type="hidden" name="fooId" value="**[don't report this id]**" /> 
--> 
<foo> 
</body></html>""" 

from pyparsing import makeHTMLTags, withAttribute, htmlComment 

# use makeHTMLTags to create tag expression - makeHTMLTags returns expressions for 
# opening and closing tags, we're only interested in the opening tag 
inputTag = makeHTMLTags("input")[0] 

# only want input tags with special attributes 
inputTag.setParseAction(withAttribute(type="hidden", name="fooId")) 

# don't report tags that are commented out 
inputTag.ignore(htmlComment) 

# use searchString to skip through the input 
foundTags = inputTag.searchString(html) 

# dump out first result to show all returned tags and attributes 
print foundTags[0].dump() 
print 

# print out the value attribute for all matched tags 
for inpTag in foundTags: 
    print inpTag.value

Lienzo:

['input', ['type', 'hidden'], ['name', 'fooId'], ['value', '**[id is here]**'], True] 
- empty: True 
- name: fooId 
- startInput: ['input', ['type', 'hidden'], ['name', 'fooId'], ['value', '**[id is here]**'], True] 
    - empty: True 
    - name: fooId 
    - type: hidden 
    - value: **[id is here]** 
- type: hidden 
- value: **[id is here]** 

**[id is here]** 
**[id is here too]** 
**[id is HERE too]** 
**[and id is even here TOO]**

Puede ver que el pyparsing no solo coincide con estas variaciones impredecibles, sino que también devuelve los datos en un objeto que facilita la lectura de los atributos de etiqueta individuales y sus valores.

Fuente

2009-09-14 13:14:10 PaulMcG

Expresión regular de Python para análisis HTML (BeautifulSoup)

Respuesta

Cuestiones relacionadas