在 Python 中使用 Regex 和 BeautifulSoup 来解析字符串

Question

我有一系列类似于“2014 年 12 月 27 日星期六”的字符串，我想扔掉“星期六”并保存名称为“141227”的文件，即年 + 月 + 日。到目前为止，一切正常，除了我无法让 daypos 或 yearpos 的正则表达式工作。他们都给出了同样的错误：

Traceback（最近一次调用最后一次）：文件“scrapewaybackblog.py”，行 17、在 daypos = byline.find(re.compile("[A-Z][a-z]*\s")) TypeError: expected a character buffer object

什么是字符缓冲区对象？这是否意味着我的表达有问题？这是我的脚本：

for i in xrange(3, 1, -1):
       page = urllib2.urlopen("http://web.archive.org/web/20090204221349/http://www.americansforprosperity.org/nationalblog?page={}".format(i))
       soup = BeautifulSoup(page.read())
       snippet = soup.find_all('div', attrs={'class': 'blog-box'})
       for div in snippet:
           byline =  div.find('div', attrs={'class': 'date'}).text.encode('utf-8')
           text = div.find('div', attrs={'class': 'right-box'}).text.encode('utf-8')

           monthpos = byline.find(",")
           daypos = byline.find(re.compile("[A-Z][a-z]*\s"))
           yearpos = byline.find(re.compile("[A-Z][a-z]*\D\d*\w*\s"))
           endpos = monthpos + len(byline)

           month = byline[monthpos+1:daypos]
           day = byline[daypos+0:yearpos]
           year = byline[yearpos+2:endpos]

           output_files_pathname = 'Data/'  # path where output will go
           new_filename = year + month + day + ".txt"
           outfile = open(output_files_pathname + new_filename,'w')
           outfile.write(date)
           outfile.write("\n")
           outfile.write(text)
           outfile.close()
       print "finished another url from page {}".format(i)

我还没有弄清楚如何使 12 月 = 12，但那是另一次了。请帮我找到合适的职位。

Answer 1

不要用正则表达式解析日期字符串，而是用dateutil解析它：

from dateutil.parser import parse

for div in soup.select('div.blog-box'):
    byline = div.find('div', attrs={'class': 'date'}).text.encode('utf-8')
    text = div.find('div', attrs={'class': 'right-box'}).text.encode('utf-8')

    dt = parse(byline)
    new_filename = "{dt.year}{dt.month}{dt.day}.txt".format(dt=dt)
    ...

或者，你可以用datetime.strptime()解析字符串，但是你需要注意suffixes：

byline = re.sub(r"(?<=\d)(st|nd|rd|th)", "", byline)
dt = datetime.strptime(byline, '%A, %B %d %Y')

re.sub() 在这里找到st 或nd 或rd 或th 字符串after a digit 并用空字符串替换后缀。之后，日期字符串将匹配 '%A, %B %d %Y' 格式，请参阅：

• strftime() and strptime() Behavior

---

一些补充说明：

• 您可以将urlopen() 的结果直接传递给BeautifulSoup 构造函数
• 使用CSS Selector div.blog-box 代替类名find_all()
• 加入系统路径，使用os.path.join()
• 处理文件时使用with context manager

固定版本：

import os
import urllib2

from bs4 import BeautifulSoup
from dateutil.parser import parse


for i in xrange(3, 1, -1):
    page = urllib2.urlopen("http://web.archive.org/web/20090204221349/http://www.americansforprosperity.org/nationalblog?page={}".format(i))
    soup = BeautifulSoup(page)

    for div in soup.select('div.blog-box'):
        byline = div.find('div', attrs={'class': 'date'}).text.encode('utf-8')
        text = div.find('div', attrs={'class': 'right-box'}).text.encode('utf-8')

        dt = parse(byline)

        new_filename = "{dt.year}{dt.month}{dt.day}.txt".format(dt=dt)
        with open(os.path.join('Data', new_filename), 'w') as outfile:
            outfile.write(byline)
            outfile.write("\n")
            outfile.write(text)

    print "finished another url from page {}".format(i)