从抓取的文本中提取非结构化地址和电子邮件 ID 作为变量 - Python

Question

我是python的新手，所以如果这似乎是一个简单的问题，请原谅我。下面的代码成功抓取了一个网页。有没有办法从该文本中提取地址、电子邮件 ID 和联系电话并将其放入数据框中。我已经搜索了两种方法：-

• REGEX - 但它可能不起作用，因为我有很多网站要抓取，而且 地址的结构可能并不总是规则的。
• Pyap - 它仅适用于美国和加拿大地址。

除了上述两种方法之外，还有其他方法可以获取所需的详细信息吗：-

import requests
from bs4 import BeautifulSoup

link = input("ENTER WEBPAGE") # for example, i am using this webpage as of now "[https://glg.it/contact-us/][1] "

response = requests.get(url)

details = response.text

scraped_details = BeautifulSoup(details, "html.parser")
pretty1 = scraped_details.prettify()
print(pretty1)

感谢您的帮助！！

Answer 1

可以通过修改匹配大多数地址格式的表达式来使用正则表达式>br>

import re

txt = ...
regexp = "[0-9]{1,3} .+, .+, [A-Z]{2} [0-9]{5}"
address = re.findall(regexp, txt)

# address = ['44 West 22nd Street, New York, NY 12345']

解释：

[0-9]{1,3}：1到3位，地址号码

(space): 号码和街道名称之间的空格

.+：街道名称，任意出现次数的任意字符

,：城市前的一个逗号和一个空格

.+: 城市，任意出现次数的任意字符

,：状态前的逗号和空格

[A-Z]{2}: 从 A 到 Z 正好 2 个大写字符

[0-9]{5}：5 位数字

re.findall(expr, string) 将返回一个包含所有找到的匹配项的数组。