基于Python正則表達式提取搜索結(jié)果中的站點地址

正則表達式對于Python來說并不是獨有的，最近在把google搜索的結(jié)果中所有的站點地址導(dǎo)出，于是想到用python正則表達式提取搜索結(jié)果中的站點地址。

這其中涉及幾個需要解決的問題：

1、獲取搜索的結(jié)果文本

為了獲得更多的地址，我使用了Google的高級搜索功能，每個頁面顯示100條結(jié)果。

獲得顯示的結(jié)果后，可以查看源碼，并保持成文本文件就有了搜索的結(jié)果文本

2、分析如何提取站點信息

首先需要分析獲取的頁面，查看以怎樣的方式可以提取出站點信息。

我使用IE8自帶的開發(fā)工具（按F12就會彈出來）中的探查器功能查看自己要關(guān)心的內(nèi)容有什么特殊的格式

從上圖可以看出我需要的站點在標簽cite>/cite>中，所以我使用正則表達式提取這其中的文本是否就可以呢？

3、編寫正則表達式來獲取站點地址

接下來的就是寫表達式了，我使用Python3.2編寫的，方便好用（~_~）

代碼如下，先把搜索結(jié)果頁面保持到e:/t3.txt中，在執(zhí)行如下代碼

import re
p = re.compile(r'cite>([^>\/].+?)/cite>')
f = open("e:/t3.txt", encoding='utf-8')
content = f.read()
print ("\n".join(p.findall(content)))

運行如下：

大家可以對照一下運行效果圖，看看所有的站點地址是不是都給獲取到了。