在 Python 中使用正则表达式逐行搜索 HTML

Question

我正在尝试根据这个日历创建一个小时字典：http://disneyworld.disney.go.com/parks/magic-kingdom/calendar/

<td class="first"> <div class="dayContainer">
      <a href="/parks/magic-kingdom/calendardayview/?asmbly_day=20120401"> 
         <p class="day"> 1
         </p> <p class="moreLink">Park Hours<br />8:00 AM - 12:00 AM<br /><br/>Extra Magic Hours<br />7:00 AM - 8:00 AM<br /><br/>Extra Magic Hours<br />12:00 AM - 3:00 AM<br /><br/>
         </p> 
      </a> 
   </div>
</td> 

每个日历条目都在一行上，所以我认为最好逐行浏览 HTML，如果该行包含小时，则将这些小时添加到相应日期的字典中（有些days 有多个小时的条目）。

import urllib
import re
source = urllib.urlopen('http://disneyworld.disney.go.com/parks/magic-kingdom/c\
alendar/')
page = source.read()
prkhrs = {}

def main():
    parsehours()

def parsehours():
    #look for #:## AM - #:## PM                                                 
    date = r'201204\d{02}'
    hours = r'\d:0{2}\s\w{2}\s-\s\d:0{2}\s\w{2}'
    #go through page line by line                                               
    for line in page:
        times = re.findall(hours, line)
        dates = re.search(date, line)
        if dates:
            start = dates.start()
            end = dates.end()
            curdate = line[start:end]
        #if #:## - #:## is found, a date has been found                         
        if times:
            #create dictionary from date, stores hours in variable              
            #extra magic hours(emh) are stored in same format.                  
            #if entry has 2/3 hour listings, those listings are emh             
            prkhrs[curdate]['hours'] = times
    #just print hours for now. will change later                                
    print prkhrs

我遇到的问题是，当我将“打印行”放在遍历页面的 for 循环中时，它一次打印出一个字符，我认为这是搞砸了。

现在，'print prkhrs' 什么都不打印，但是使用 re.findall 来打印日期和时间会打印出正确的时间，所以我知道正则表达式有效。关于如何让它工作的任何建议？

Answer 1

将page = source.read() 更改为page = source.readlines()

source.read() 将整个页面作为一个大字符串返回。遍历一个字符串（就像你做for line in page一样）一次返回一个字符。仅仅因为你的变量被称为 line 和 page 并不意味着 Python 知道你想要什么。

source.readlines() 返回一个字符串列表，每个字符串都是页面中的一行。