1

Python 3.7

Hola, estoy desarrollando un Script en Python con la finalidad de encontrar comentarios en HTML.

Estoy utilizando expresiones regulares, intentando identificar las lineas HTML que comiencen por "

#!/usr/bin/python
import subprocess, re, sys
from bs4 import BeautifulSoup
import  requests
#import pandas as pandas


if len(sys.argv) != 2:
    print("\n[*] Usage: Python " + sys.argv[0] + " <url>\n")
    sys.exit(1)

url = sys.argv[1]
page = requests.get(url)
soup = BeautifulSoup(page.content, "html.parser")

for i in soup:
    if re.findall('^<!--',i):
        print(i)

Al ejecutarlo, obtengo el siguiente error:

Error

Espero me puedan ayudar, quedo atento a sus comentarios.

1
  • No tiene sentido que iteres sobre soup, si quieres hacer una búsqueda por eiquetas html parsea primero con BS buscando lo que necesites, si solo vas a buscar expresions en el html aplica la expresión sobre la salida de requests simplemente.
    – FJSevilla
    Commented el 1 jun. 2020 a las 19:10

2 respuestas 2

0

Intenta hacerlo de la siguiente manera:

for i in soup:
    if(re.findall(r"^<!--",str(i))):
        print(i)

Si te das cuenta se parsea a str() para asegurar que sea una string lo que estas comparando y tambien verifica que no te este llegando una lista o diccionario por parte de soup.

5
  • Hola, al modificar el código de esa forma, solo obtuve una linea en blanco sin texto. al imprimir el texto sin la expresión regular, lo muestra completo sin formato de lista.
    – Gohanckz
    Commented el 1 jun. 2020 a las 19:05
  • Entiendo, en este caso ¿cual seria un valor de i? para determinar si el error esta en la expresion, en el findall o bien en la condicional Commented el 1 jun. 2020 a las 19:08
  • i corresponde a cada fila del HTML.
    – Gohanckz
    Commented el 1 jun. 2020 a las 19:55
  • Al momento de quitar la expresión regular y solo imprimir la variable i, se muestra el HTML completo.
    – Gohanckz
    Commented el 1 jun. 2020 a las 19:59
  • Por que no mejor lo haces con soup.find('<!--') podria funcionar Commented el 1 jun. 2020 a las 20:00
0

Lo solucioné de la siguiente forma:

#!/usr/bin/python
import re, sys
from bs4 import BeautifulSoup 
import  requests
#import pandas as pandas


if len(sys.argv) != 2:
    print("\n[*] Usage: Python " + sys.argv[0] + " <url>\n")
    sys.exit(1)

url = sys.argv[1]
page = requests.get(url)
soup = BeautifulSoup(page.content, "html.parser")
text = str(soup).split("\n")


for i in text:
    if re.findall(r"^<!--",str(i)):
        print(i)

El código, ya está funcional.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.