本文介绍了从网页中抓取特定标签内容的三种方法，并详细对比了它们的特点与局限性，特别是针对复杂嵌套标签的情况。
如何获取指定的标签的内容是解析网页爬取数据的必要手段，比如想获取
...
，而不是希望的父div.这样的div标签，通常有三种办法，
"将会匹配子div的结尾部分1)用字符串查找方法,然后切分字符串(或切片操作)，如str.index(patternStr)或str.find(patternStr)，这种方法快，但步骤多，因为要去头去尾。
2)用正则表达式，比如'
([\s\S]+?)
'，通过正则表达式的括号，可以获取匹配的内容，即import re
def getTags(html):
reg = r'
([\s\S]+?)
'pattern= re.compile(reg)
tags= re.findall(pattern, html)
return tags
不过正则表达式仍有缺点，例如'
([\s\S]+?)
'括号中的问号表示非贪婪匹配，正常情况下可以匹配到所需要的内容，但如果class="result_info"的div中还嵌套了子的div，那么正则表达式的后半部分"假如有这样一个html：
some paragraph test 1
some paragraph test 2
some contents in sub div
backend content here
那么backend contents here这段内容将会匹配不到，正则表达式将会将id为div_sub的
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
