使用python(3.3.1)在html源代码中搜索字符串

Question

我正在开发一个从网页获取信息的项目.在html源代码中我有以下内容:

Resultado de Busca: Foram encontrados 264 casais

我需要得到"encontrados"和"casais"之间的数字

无论如何在Python中有这样做吗？我应该使用什么字符串函数？我想在这种情况下避免使用正则表达式.

import urllib.request
f = urllib.request.urlopen("http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07")
s = f.read()

print(s.split())

到目前为止我得到了这个,但现在我找不到我需要的号码了.

import urllib.request
f = urllib.request.urlopen("http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07")
s = f.read()

num = int(s[s.index("encontrados")+len("encontrados"):s.index("casais")])

这给我下面的错误

TypeError:类型str不支持缓冲区API

Answer 1

我推荐使用像Beautiful Soup这样的库,如果它是你要解析的HTML.不需要正则表达式.

编辑

使用刚刚添加的URL,这是获取HTML对象的示例代码:

import BeautifulSoup
import re
import urllib

data = urllib.urlopen('http://listadecasamento.fastshop.com.br/ListaCasamento/ListaCasamentoBusca.aspx?Data=2013-06-07').read()
soup = BeautifulSoup.BeautifulSoup(data)
element = soup.find('span', attrs={'class': re.compile(r".*\btxt_resultad_busca_casamento\b.*")})
print element.text

这将span在页面上找到包含该类的HTML 元素txt_resultad_busca_casamento,我相信这是您要提取的数据.从那里你可以解析.text属性以获得你感兴趣的确切数据.

编辑2

哎呀,刚才意识到使用正则表达式......看起来BeautifulSoup中的类匹配并不完美!这条线应该起作用,至少在网站更改HTML之前:

element = soup.find('div', attrs={'id': 'ctl00_body_uppBusca'}).find('span')