Findall 用于识别已下载 HTML 页面中的特定标题

Question

我必须下载 HTML 页面的源代码，然后必须找到特定的标题并将它们打印在 Python 的 GUI 上。我可以下载 HTML 文件，但无法在下载的 HTML 页面中找到我感兴趣的元素。举个例子，我目前正在使用这个网页。

https://www.metacritic.com/browse/games/release-date/coming-soon/all/date

第一个发布的游戏是"Lovecraft's Untold Stories"。我想要这个标题并在我的 GUI 中打印。在HTML页面中，这个标题是通过

标签打印出来的。我正在使用 Findall 方法，但它 returns 什么都没有。 P.S。我不能使用任何其他库，包括 Beautiful Soap 或 requests。我只能使用 urllib、findall、finditer、MULTILINE、DOTALL。目前实现的一段代码如下所示。

def game_function():
   game = Tk()
   game.geometry('600x400')
   game.title('Upcoming Video Game Releases')
   game.resizable(0,0)
   opener = urllib.request.FancyURLopener({})
   url = "file:///D:/Riz/Poppie%202/Upcoming%20Video%20Game%20Releases%20for%202019%20-%20Metacritic.html"

  with urllib.request.urlopen(url) as response:
     encoding = response.info().get_param('charset', 'utf8')
     html = response.read().decode(encoding)
  print("",html)
  title_tag = '<h3>(.*)</h3>'
  title_1 = findall(title_tag, html)
  print("",title_1)

  title1_subtitle = Label(game, text = title_1, bg='white', fg='black', font = ('Arial', 14, 'bold'))
  title1_subtitle.place(relx=0.8, rely=0.49)
  title1_subtitle.configure(wraplength='260')

  game.mainloop()

Answer 1

问题是由于 h3 标签内有换行符 (\n)。在 re.findall 的第一个参数中，. 表示 除换行符 之外的任何字符，除非您使用 re.DOTALL 作为第三个参数。此外，您应该使用 non-greedy 版本。我希望下面的例子能说明问题：

import re
txt = '''<h3>
SomeTitle
</h3>
AnotherContent
<h3>
AnotherTitle
</h3>'''
nodotall = re.findall('<h3>(.*)</h3>',txt)
withdotall = re.findall('<h3>(.*)</h3>',txt,re.DOTALL)
nongreedy = re.findall('<h3>(.*?)</h3>',txt,re.DOTALL)
print(nodotall) # [] i.e. nothing found
print(withdotall) # ['\nSomeTitle\n</h3>\nAnotherContent\n<h3>\nAnotherTitle\n'] i.e. everything between first <h3> and last </h3>
print(nongreedy) # ['\nSomeTitle\n', '\nAnotherTitle\n'] i.e. desired output

Findall 用于识别已下载 HTML 页面中的特定标题

Findall to identify a specific title in a downloaded HTML page

html

python

findall