L'écriture d'un Python RegEx pour sélectionner un sous-ensemble d'éléments de liste en HTML

Question

J'ai vue index web d'un dossier ...

<ul><li><a href="/sustainabilitymedia/pics/s5/"> Parent Directory</a></li> 
<li><a href="n150850_.jpg"> n150850_.jpg</a></li> 
<li><a href="n150850_ss.jpg"> n150850_ss.jpg</a></li> 
<li><a href="n150850q.jpg"> n150850q.jpg</a></li> 
<li><a href="n150858_.jpg"> n150858_.jpg</a></li> 
<li><a href="n150858_ss.jpg"> n150858_ss.jpg</a></li> 
<li><a href="n150858q.jpg"> n150858q.jpg</a></li> 
<li><a href="n150906_.jpg"> n150906_.jpg</a></li> 
<li><a href="n150906_ss.jpg"> n150906_ss.jpg</a></li> 
... 

La liste est longue et ainsi de suite. Mon but est de saisir uniquement les éléments de la liste se terminant par _ss.jpg afin que je puisse rendre mes résultats et les afficher correctement sur une page pour la présentation.

Je peux saisir la page avec BeautifulSoup mais à partir de là, je ne sais pas comment filtrer uniquement les éléments de la liste correspondant à un motif particulier. La page est derrière Basic Auth que j'ai résolu dans une question précédente concernant BeautifulSoup. Je suis heureux de ne pas l'utiliser non plus.

Des idées?

Answer 1

Vous pouvez faire un findAll() en utilisant une regex, par exemple soup_object.findAll('a', {'href': re.compile('.*_ss\.jpg')}).

Answer 2

Brent a exactement raison; +1 à lui d'être si rapide.

j'avais déjà travaillé sur un exemple, donc je pensais que je venais de poster de toute façon (pas besoin de voter à ce sujet):

>>> from BeautifulSoup import BeautifulSoup as bs 
>>> from pprint import pprint 
>>> import re 
>>> markup = ''' 
... <ul><li><a href="/sustainabilitymedia/pics/s5/"> Parent Directory</a></li> 
... <li><a href="n150850_.jpg"> n150850_.jpg</a></li> 
... <li><a href="n150850_ss.jpg"> n150850_ss.jpg</a></li> 
... <li><a href="n150850q.jpg"> n150850q.jpg</a></li> 
... <li><a href="n150858_.jpg"> n150858_.jpg</a></li> 
... <li><a href="n150858_ss.jpg"> n150858_ss.jpg</a></li> 
... <li><a href="n150858q.jpg"> n150858q.jpg</a></li> 
... <li><a href="n150906_.jpg"> n150906_.jpg</a></li> 
... <li><a href="n150906_ss.jpg"> n150906_ss.jpg</a></li>''' 
>>> soup = bs(markup) 
>>> pprint(soup.findAll(href=re.compile('_ss[.]jpg$'))) 
[<a href="n150850_ss.jpg"> n150850_ss.jpg</a>, 
<a href="n150858_ss.jpg"> n150858_ss.jpg</a>, 
<a href="n150906_ss.jpg"> n150906_ss.jpg</a>] 

Happy Thanksgiving à ceux qui la célèbrent.

Answer 3

je voudrais utiliser quelque chose comme

data = data.split("\n") 
data = filter(x : x.find("_ss.jpg") >= 0,data) 
data = map(lambda x: re.match("(?<=<href=)\".*_ss\.jpg\"(?=>)",x),data) 

ce qui devrait produire une liste des noms se terminant par _ss.jpg.