estoy tratando de extraer datos de una porción de html que puede variar la información que tiene en un listado.
A continuación las posbiles porciones de html con sus respectiva salida esperada.
Ejemplo 1
<ul>
<li class="contentnode">
<dl><dt>País</dt><dd>Uganda</dd></dl>
</li>
<li class="contentnode">
<dl><dt>Ciudad</dt><dd>Foo</dd></dl>
</li>
<li class="contentnode">
<dl><dt>Email</dt><dd>[email protected]</dd></dl>
</li>
</ul>
Salida esperada:
{'country': 'Uganda', 'city': 'Foo', 'email': '[email protected]'}
Ejemplo 2
<ul>
<li class="contentnode">
<dl><dt>País</dt><dd>Uganda</dd></dl>
</li>
<li class="contentnode">
<dl><dt>Ciudad</dt><dd>Foo</dd></dl>
</li>
</ul>
Salida esperada:
{'country': 'Uganda', 'city': 'Foo', 'email': None}
# o también
{'country': 'Uganda', 'city': 'Foo'}
Ejemplo 3
<ul>
<li class="contentnode">
<dl><dt>País</dt><dd>Uganda</dd></dl>
</li>
</ul>
Salida esperada:
{'country': 'Uganda', 'city': None, 'email': None}
# o también
{'country': 'Uganda'}
Ejemplo 4
<ul>
<li class="contentnode">
<dl><dt>Email</dt><dd>[email protected]</dd></dl>
</li>
</ul>
Salida esperada:
{'country': None, 'city': None, 'email': '[email protected]'}
# o también
{'email': '[email protected]'}
Detalles
- Se puedo saber que campos se van a extraer los datos pero no si los campos están.
- El diccionario debe ser creado en un solo paso y de forma completa debido a razones que no vienen al caso, es decir, no se debe hacer (en lo posible) una verificación previa de si algo está o no para luego extraer el dato y agregarselo al diccionario.
- La tarea se debe concentrar en lo posible en la expresión regular.
- La entrada (html) que recibe la expresión regular no tiene saltos de línea. Ejemplo:
<ul><li class="contentnode"><dl><dt>País</dt><dd>Uganda</dd></dl></li><li class="contentnode"><dl><dt>Ciudad</dt><dd>Foo</dd></dl></li><li class="contentnode"><dl><dt>Email</dt><dd>[email protected]</dd></dl></li></ul>
Intento
Hé probado con la siguiente expresión regular:
import re
# input
html = '<ul><li class="contentnode"><dl><dt>País</dt><dd>Uganda</dd></dl></li><li class="contentnode"><dl><dt>Ciudad</dt><dd>Foo</dd></dl></li><li class="contentnode"><dl><dt>Email</dt><dd>[email protected]</dd></dl></li></ul>'
# regex
pattern = r'<dt>(?:País</dt><dd>(?P<country>\w+)|Ciudad</dt><dd>(?P<city>\w+)|Email</dt><dd>(?P<email>[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+))</dd>'
m = re.search(pattern, html)
print(m.groupdict())
mi salida: {'country': 'Uganda', 'city': None, 'email': None}
salida esperada: {'country': 'Uganda', 'city': 'Foo', 'email': '[email protected]'}
Desde ya gracias. Saludos.