上信考python二三级文本处理

Question

题目

待处理的文本文件
[](通过百度网盘分享的文件：people.html
链接：https://pan.baidu.com/s/1k2t5LbQB6SEMCKW74EomTA
提取码：hd9A
复制这段内容打开「百度网盘APP 即可获取」)

感觉好难处理。主要就是这一部分代码如何提取出来，在用正则表达式匹配这段里面的连接
该段内容标签带数字可能是一个切入点，其他部分的标签内容不带数字

# <span class="defaultmenu">旗下网站
#<ul>
# li><a href="http://paper.people.com.cn/xwzx/paperindex.htm            
#     " target="_blank">40091新闻战线</a></li>
#</ul>
# </span>

# r'<{}>(.*?)</{}>'  匹配标签内容

Answer 1

html = open('people.html','rb').read().decode('utf-8')

## 利用正则表达式提起数据，需要提取2次才能获取结果

import re
regex1 = re.compile('<span class="defaultmenu">旗下网站([\S\s\w]+?)</span>')
data1 = re.findall( regex1,html )[0]

regex2 = re.compile('<li><a href="(.*?)" target="_blank">(.*?)</a></li>')
data2 = re.findall( regex2,data1 )
for item in data2:
    url,name = item
    print(name,url)

##利用 lxml 模块提取数据
from lxml import etree
html = etree.HTML(html)

lis = html.xpath('//span[@class="defaultmenu"][3]/ul/li')   #[3] 表示 span[@class="defaultmenu"] 第3个
for li in lis:
    name = li.xpath('./a/text()')[0].strip()
    url = li.xpath('./a/@href')[0].strip()
    print(name,url)