Python 从网站抓取/解析

我遵循本教程：其中一行有问题

使用：

import urllib2 from urllib, 
import urlopen, 
import re, 
import cookielib from cookielib, 
import CookieJar 

从该站点中删除：

查看my webbrowser中的源代码，每个标题都用以下文本包装：

<title><![CDATA[New Pan American Health Organization Report Reveals Stunning Suicide Statistics]]></title>

以下代码可以工作，但不是我想要的解决方案：

        titles = re.findall(r'CDATA(.*?)</title>',sourceCode)
        links = re.findall(r'<link>(.*?)</link>', sourceCode)

titles=re.findall（r'CDATA（.*？），源代码）
links=re.findall（r'（.*？），源代码）

我希望它找到链接头，然后忽略以下几行文本，直到CDATA之后。以下是本教程的建议：

findall(r'<title>.*?CDATA[(.*?)]><\title>',sourceCode)

findall（r'.*？CDATA[（.*？）]>，源代码）

---

[]括号似乎给我带来了问题。它们不在教程代码中，因为站点似乎已更新，现在它们在HTML中。如有任何建议，将不胜感激！！请尽量简单

方括号是正则表达式中的保留字符，需要转义（带反斜杠）。 这应该起作用：

findall(r'<title>.*?CDATA\[(.*?)\]><\title>',sourceCode)

findall（r'.*？CDATA\[（.*？\]>，源代码）

方括号是正则表达式中的保留字符，需要转义（带反斜杠）。 这应该起作用：

findall(r'<title>.*?CDATA\[(.*?)\]><\title>',sourceCode)

findall（r'.*？CDATA\[（.*？\]>，源代码）

方括号是正则表达式中的保留字符，需要转义（带反斜杠）。 这应该起作用：

findall(r'<title>.*?CDATA\[(.*?)\]><\title>',sourceCode)

findall（r'.*？CDATA\[（.*？\]>，源代码）

方括号是正则表达式中的保留字符，需要转义（带反斜杠）。 这应该起作用：

findall(r'<title>.*?CDATA\[(.*?)\]><\title>',sourceCode)

findall（r'.*？CDATA\[（.*？\]>，源代码）

不要为此使用正则表达式。利用库实现此功能。下面是一个关于如何利用它的简单例子

首先，您需要安装

feedparser

pip install feedparser

现在，一个非常简单的脚本将获取提要上所有文章的标题：

import feedparser

feed_url = "http://www.huffingtonpost.com/feeds/index.xml"
feed = feedparser.parse(feed_url)

for item in feed['items']:
    print item['title']

在本文中，该脚本输出以下内容：

英国石油公司在《政治》杂志上撰文称，英国石油公司对墨西哥湾的损害被夸大了
多米尼加共和国公路旅行最佳的6个原因
给有离婚孩子的父母的万圣节不给糖就捣蛋的小贴士
我不明白南瓜片，还有一个季节性挑战的母亲的其他自白
当你端上晚餐时，你带什么到桌上？
曾经是一名士兵，今天是一名心脏病患者。从外部需求到内部指导的旅程
这个万圣节让我们把超级英雄这个词带回去
“我的一个朋友当选为美国总统”
慢镜头中的火车失事（第五部分）：退休储蓄危机
10名布鲁克林珠宝设计师拥有自己的店铺
墨西哥政府——告诉我们真相——阿约茨纳帕43号在哪里？
疯子还是顽皮？
凯拉什·曼萨洛娃：终极朝圣
为什么丑闻是同性恋权利运动史上最重要的节目之一
联邦政府放宽母公司贷款计划的资格

不要为此使用正则表达式。利用库实现此功能。下面是一个关于如何利用它的简单例子

首先，您需要安装

feedparser

pip install feedparser

现在，一个非常简单的脚本将获取提要上所有文章的标题：

import feedparser

feed_url = "http://www.huffingtonpost.com/feeds/index.xml"
feed = feedparser.parse(feed_url)

for item in feed['items']:
    print item['title']

在本文中，该脚本输出以下内容：

英国石油公司在《政治》杂志上撰文称，英国石油公司对墨西哥湾的损害被夸大了
多米尼加共和国公路旅行最佳的6个原因
给有离婚孩子的父母的万圣节不给糖就捣蛋的小贴士
我不明白南瓜片，还有一个季节性挑战的母亲的其他自白
当你端上晚餐时，你带什么到桌上？
曾经是一名士兵，今天是一名心脏病患者。从外部需求到内部指导的旅程
这个万圣节让我们把超级英雄这个词带回去
“我的一个朋友当选为美国总统”
慢镜头中的火车失事（第五部分）：退休储蓄危机
10名布鲁克林珠宝设计师拥有自己的店铺
墨西哥政府——告诉我们真相——阿约茨纳帕43号在哪里？
疯子还是顽皮？
凯拉什·曼萨洛娃：终极朝圣
为什么丑闻是同性恋权利运动史上最重要的节目之一
联邦政府放宽母公司贷款计划的资格

不要为此使用正则表达式。利用库实现此功能。下面是一个关于如何利用它的简单例子

首先，您需要安装

feedparser

pip install feedparser

现在，一个非常简单的脚本将获取提要上所有文章的标题：

import feedparser

feed_url = "http://www.huffingtonpost.com/feeds/index.xml"
feed = feedparser.parse(feed_url)

for item in feed['items']:
    print item['title']

在本文中，该脚本输出以下内容：

英国石油公司在《政治》杂志上撰文称，英国石油公司对墨西哥湾的损害被夸大了
多米尼加共和国公路旅行最佳的6个原因
给有离婚孩子的父母的万圣节不给糖就捣蛋的小贴士
我不明白南瓜片，还有一个季节性挑战的母亲的其他自白
当你端上晚餐时，你带什么到桌上？
曾经是一名士兵，今天是一名心脏病患者。从外部需求到内部指导的旅程
这个万圣节让我们把超级英雄这个词带回去
“我的一个朋友当选为美国总统”
慢镜头中的火车失事（第五部分）：退休储蓄危机
10名布鲁克林珠宝设计师拥有自己的店铺
墨西哥政府——告诉我们真相——阿约茨纳帕43号在哪里？
疯子还是顽皮？
凯拉什·曼萨洛娃：终极朝圣
为什么丑闻是同性恋权利运动史上最重要的节目之一
联邦政府放宽母公司贷款计划的资格

不要为此使用正则表达式。利用库实现此功能。下面是一个关于如何利用它的简单例子

首先，您需要安装

feedparser

pip install feedparser

现在，一个非常简单的脚本将获取提要上所有文章的标题：

import feedparser

feed_url = "http://www.huffingtonpost.com/feeds/index.xml"
feed = feedparser.parse(feed_url)

for item in feed['items']:
    print item['title']

在本文中，该脚本输出以下内容：

英国石油公司在《政治》杂志上撰文称，英国石油公司对墨西哥湾的损害被夸大了
多米尼加共和国公路旅行最佳的6个原因
给父母的万圣节不给糖就捣蛋的小贴士