使用正则表达式和requests库对https://tieba.baidu.com/p/9123692460 网站的内容进行提取,包括发帖人,发帖时间,帖子标题,给出具体的实现代码
时间: 2024-09-18 12:08:15 浏览: 33
在Python中,我们可以使用`re`(正则表达式)模块来解析网页内容,并结合`requests`库来获取HTML数据。以下是一个简单的示例,展示如何提取指定网页上的发帖人、发帖时间和帖子标题:
```python
import requests
from bs4 import BeautifulSoup
import re
# 发送GET请求并获取网页内容
url = "https://tieba.baidu.com/p/9123692460"
response = requests.get(url)
html_content = response.text
# 解析HTML内容
soup = BeautifulSoup(html_content, 'lxml')
# 定义正则表达式模式,这里假设发帖人信息通常包含在用户名标签内,发帖时间和标题可能分别在特定位置
post_author_pattern = r'<a class="author">.*?</a>' # 提取发帖人
post_time_pattern = r'<span class="ctitle">.*?发布时间:(.*?)</span>' # 提取发帖时间
post_title_pattern = r'<h2>(.*?)</h2>' # 提取帖子标题
# 使用正则表达式查找并提取信息
post_author = re.search(post_author_pattern, html_content).group()
post_time = re.search(post_time_pattern, html_content).group(1) # 注意group(1)是因为匹配到的是整个字符串组
post_title = re.search(post_title_pattern, html_content).group()
print("发帖人:", post_author)
print("发帖时间:", post_time)
print("帖子标题:", post_title)
#
阅读全文