Opino lo mismo, y lxml en mi caso ha sido una herramienta maravillosa. Un saluso.
El día 10 de febrero de 2011 07:12, Luis Miguel Morillas <[email protected]> escribió: > 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/ > -- http://twitter.com/andsux http://www.niwi.be **** http://www.freebsd.org/ http://www.postgresql.org/ http://www.python.org/ http://www.djangoproject.com/ "Linux is for people who hate Windows, BSD is for people who love UNIX" "Social Engineer -> Because there is no patch for human stupidity" _______________________________________________ Python-es mailing list [email protected] http://mail.python.org/mailman/listinfo/python-es FAQ: http://python-es-faq.wikidot.com/
