python - 用漂亮的汤从网站上刮掉一串文本
问题描述
我想抓取一个网页并返回 GTM(谷歌标签管理器)容器 ID(在下面的示例中它将是 GTM-5LS3NZ)。代码不应该寻找确切的容器 ID,而是寻找模式,因为我将在多个站点上使用它。
到目前为止,我可以搜索头部并打印包含 GTM 的整段文本,但我不知道如何将查找和正则表达式一起格式化以仅返回 GTM-5LS3NZ(在此示例中)。
import urllib3
import re
from bs4 import BeautifulSoup
http = urllib3.PoolManager()
response = http.request('GET', "https://www.observepoint.com/")
soup = BeautifulSoup(response.data,"html.parser")
GTM = soup.head.findAll(text=re.compile(r'GTM'))
print(GTM)
注意:GTM ID 可以包含 6 或 7 个字母数字字符,因此我希望容器 ID 的正则表达式类似于 ^GTM-[A-Z0-9] - 我不知道如何指定 6 或 7 个字符。
澄清我所追求的。如果你运行上面的代码,你会得到以下结果。
["(function (w, d, s, l, i) {\n w[l] = w[l] || [];\n w[l].push({\n 'gtm.start': new Date().getTime(),\n event: 'gtm.js'\n });\n var f = d.getElementsByTagName(s)[0],\n j = d.createElement(s),\n dl = l != 'dataLayer' ? '&l=' + l : '';\n j.async = true;\n j.src =\n 'https://www.googletagmanager.com/gtm.js?id=' + i + dl;\n f.parentNode.insertBefore(j, f);\n })(window, document, 'script', 'dataLayer', 'GTM-5LS3NZ');"]
我想要的只是 GTM-5LS3NZ。
解决方案
几天前我做了类似的事情,快速重写给了我:
import urllib3
import re
from bs4 import BeautifulSoup
http = urllib3.PoolManager()
response = http.request('GET', "https://www.observepoint.com/")
soup = BeautifulSoup(response.data,"html.parser")
pattern =re.compile(r'GTM-([a-zA-Z0-9]{6,7})')
found = soup.head.find(text=pattern)
if found:
match = pattern.search(found)
if match:
print(match.group(1))
这给了我 GTM-5LS3NZ 作为输出。
推荐阅读
- google-data-studio - 为什么 Data Studio 不聚合数据?
- mongodb - 在 MongoDB 中创建文档之间的依赖关系
- php - 在 PHP 中计算下一个 cron 运行日期
- unicode - 从 UTF16 字符串的末尾修剪 UTF8
- reactjs - 反应路由器无法完全刷新apache服务器中的页面
- azure - 部署在 ACI 或 AKS 上的 AMLS 模型的服务超时 1 分钟
- docker - 容器化应用程序 - 设计模式
- c - 解码这些 Valgrind 调试器内存错误在我的代码中的含义
- powerbi - 可视化之间的单向交互
- reactjs - React Redux 存储更新 - 更改不更新组件