El día 10 de febrero de 2011 02:46, lopz <[email protected]> escribió: > Hola > > Hace poco empecé son las expresiones regulares y estaba tratando de > usarlas y tengo un pequeño problema al momento de > parsear un html que extraigo de una página web, la idea es la > siguiente, de un trozo de código html quiero extraer datos pero de > diferentes líneas > para esto hago uso de los grupos, mejor paso a pegar el trozo de > código html y lo que intento extraer y lo que tengo hasta el momento > > > <h2>Google search: <a > href="http://www.google.com/search?hl=en&q=BUSQUEDA&btnG=Google+Search"; > class="external" rel="nofollow">"BUSQUEDA</a></h2> > > <p>algo</p> > <p>fecha: 2006-03-06</p> > <p class="text">LINEA 1 > LINEA 2 > LINEA3</p> > </div> > > Tengo esto y lo que quiero es obtener 3 datos de ahí, lo que dice > BUSQUEDA, luego de la q= > luego la fecha y por último LINEA 1, LINEA 2 y LINEA 3 > > Sabría hacerlo por partes, primero un datos luego el otro y así, pero > mi idea es hacerlo en una sola expresión y obtenerlo por grupos > lo que tengo hasta el momento es esto para obtener la palabra BUSQUEDA > q=(.+?)["|&] <- esto me busca hasta que cierra comillas o hasta que se > encuentre con & que aveces está presente en medio y que a partir > de ahí son parámetros que usa google > para la fecha lo tengo así: (\d{4}-\d{2}-\d{2}) > y para lo otro sería casi igual pero mi problema es que no se unirlas > en una sola expresión jeje > osea que en medio de esas incluya cualquier cosa como las etiquetas > </h2> saltos de linea, tabs, etc > Espero me puedan ayudar, desde ya muchas gracias >
Yo no te puedo ayudar con la expresión regular. Sólo quería comentar que para hacer web scraping se suelen utilizar parsers de html o xml. En este caso un análisis del DOM resolvería el problema. Además te da más flexibilidad para sencillos cambios de la página inicial. -- luismiguel > saludOS! > > -- > lopz es libre, usa --> GNU/linux gentoo > > +--[RSA 2048]--+ > | ..o.o=+ | > | o =o*.+ | > | . . *oO . | > | .EBoo | > | o.S | > +--[lopz.org]--+ > _______________________________________________ > Python-es mailing list > [email protected] > http://mail.python.org/mailman/listinfo/python-es > FAQ: http://python-es-faq.wikidot.com/ > _______________________________________________ Python-es mailing list [email protected] http://mail.python.org/mailman/listinfo/python-es FAQ: http://python-es-faq.wikidot.com/
