Python Regulärer Ausdruck Einen bestimmten Text zwischen den Headern finden

Question

Ich habe gerade angefangen, über reguläre Ausdrücke in Python zu lernen, und ich habe ein bisschen Fortschritte gemacht, was ich erreichen möchte.

import urllib.request 
import urllib.parse 
import re 

x = urllib.request.urlopen("http://www.SOMEWEBSITE.com") 
contents = x.read() 

paragraphs = re.findall(r'<p>(.*?)</p>', str(contents)) 

Also mit diesem regulären Ausdruck Ich bin in der Lage, alles zwischen dem Absatz Header zu finden, aber was ist, wenn ich möchte sie mit bestimmten Worten Absätze finden? Analysieren Sie beispielsweise alle Absätze, in denen das Wort "Katze" enthalten ist. Ich weiß, dass (. *?) Alles findet, aber ich bin nur ein bisschen verloren in der Intuition, wenn ich einen Absatz mit einem bestimmten Schlüsselwort finde.

Wie auch immer, danke.

Answer 1

Es ist besser BeautifulSoup zu verwenden. Beispiel:

import urllib2 
html = urllib2.urlopen("http://www.SOMEWEBSITE.com").read() 
from BeautifulSoup import BeautifulSoup 
soup = BeautifulSoup(html) 

# now you can search the soup 

Dokumentation:

BeautifulSoup Doc

Aber ... wenn regex verwendet werden muss:

>>> str = "<p>This is some cat in a paragraph.</p>" 
>>> re.findall(r'<p>(.*cat.*)</p>', str) 
['This is some cat in a paragraph.']