[RegExp] HTML Tags escapen oder sowas ?

[MacEvil]

Hallo Leute,

Muss ich HTML Tags (<i></u><table>) bei einem RegExp Ausdruck irgenwie escapen oder gibts da etwas wichtiges zu beachten ?

Denn wenn ich danach suche, wird nie etwas gefunden.

Gruss, möge die Python Community gedeihen

[Voges]

Hallo!

Muss ich HTML Tags (<i></u><table>) bei einem RegExp Ausdruck irgenwie escapen oder gibts da etwas wichtiges zu beachten ?

Nein, die Zeichen haben bei Regexps keine Sonderbedeutung. Das stimmt nicht ganz für < und >, aber da müsstest Du schon ganz seltsame Regexps gebastelt haben.
Wenn Dein Regexp also nicht funktioniert, muss der Fehler woanders liegen.
Jan

[MacEvil]

Danke für die schnelle Antwort.

Das was ich brauch sieht zbsp so aus : "<u>www.whitehouse.gov/</u>"

Code: Alles auswählen

import urllib, re, string

yahoo = urllib.urlopen('http://search.yahoo.com/search?fr=fp-pull-web-t&p=bush')
gfind = re.findall("<u>["+string.printable+"]{0,100}</u>",yahoo.read()) 

print gfind

Wird aber nix ausgegeben

[Milan]

Hi. Es kann ja auch nix ausgegeben werden... du kannst ja den (HTML-Quell-)Text mal manuell durchsuchen... da ist kein einziges "<u>" vorhanden...

Milan

[MacEvil]

Also der erste Treffer im Quellcode sieht bei mir so aus :

Code: Alles auswählen

<div id=web>
<ol start=1>
<li><a class=rt href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS1/R=1/SS=53736303/H=1/*-http://www.whitehouse.gov/president/">President George W. <b>Bush</b></a> 
<a href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS1/R=1/SS=53736303/NW=1/H=1/*-http://www.whitehouse.gov/president/" target=_blank><img src=http://us.i1.yimg.com/us.yimg.com/i/s/nw.gif height=11 width=11 class=nwimg alt="Open this result in new window"></a>
<br>takes a look inside the Oval Office and includes a biography of the President, a video tour, information on the latest policy initiatives.  From the official White House site.<br><span class=yscat> Category:</span> <a href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS2/R=1/CS=38028355/*-http://dir.yahoo.com/Government/U_S__Government/Executive_Branch/George_W__Bush_Administration/Bush__George_W____President/">President George W. <b>Bush</b></a><br>
<u>www.whitehouse.gov/president/</u>

 - <a href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS3/R=1/*-http://search.yahoo.com/search?p=bush&&fr=fp-pull-web-t&vst=0&vs=www.whitehouse.gov">More pages from this site</a>
<li><a class=rt href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS1/R=2/SS=136593/H=1/*-http://www.whitehouse.gov/">The White House</a> 
<a href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS1/R=2/SS=136593/NW=1/H=1/*-http://www.whitehouse.gov/" target=_blank><img src=http://us.i1.yimg.com/us.yimg.com/i/s/nw.gif height=11 width=11 class=nwimg alt="Open this result in new window"></a>
<br>features statements and press releases by President George W. <b>Bush</b> as well as documents, an index of government information, history, and tour information.<br><span class=yscat> Category:</span> <a href="http://rds.yahoo.com/S=2766679/K=bush/v=2/SID=e/l=WS2/R=2/CS=136591/*-http://dir.yahoo.com/Government/U_S__Government/Executive_Branch/White_House__The/">U.S. Government & The White House</a><br>

<u>www.whitehouse.gov/</u>
 - <u>34k</u> 

[Voges]

Hallo!

Also der erste Treffer im Quellcode sieht bei mir so aus :

Und wo hast Du den her? Aus yahoo.read() (bei mir ohne <u></u>) oder aus Deinem Browser (bei mir mit <u></u>)?
BTW: Die Verwendung von string.printable halte ich für problematisch. Was spricht gegen <u>.*?</u>?
Jan

[MacEvil]

Och, jo, ich hab nur im Browser Quelltext geschaut.
Zuerst hab ich es mit Google probiert, aber da kam dann in Python ne Fehlermeldung von Google her.

Die wollen wahrscheinlich das net. Aber kann ich Suchmaschinen nun gleich von Python aus benutzen ?

Bei der Variante mit *? Kann man aber nicht angeben wie viel mal

[Voges]

Hallo!

Aber kann ich Suchmaschinen nun gleich von Python aus benutzen ?

Ja, aber u.U. musst Du den Server austricksen. Mach mal vorm urlopen ein
urllib.URLopener.version = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.0)"
Damit gaukelst Du Yahoo einen 'ordentlichen' Browser vor und Du bekommst dann die gewünschten Tags.

Bei der Variante mit *? Kann man aber nicht angeben wie viel mal

Geht auch. <u>.{0,100}</u> oder <u>.{0,100}?</u>, je nachdem, was Du genau erkennen willst.
Jan

[MacEvil]

Hallo,

jetzt funktioniert's sauber. Danke dir vielmal für den Vorgaukeltrick..
ist ja genial der