0

Estoy intentando extraer unos caracteres de una web con python usando request. Me descargo la web haciendo lo siguiente:

r = s.get("url")

Al resultado obtenido lo guardo una variable

cadena=r.text

Esta variable la manejo posteriormente con split. El caso es que en la mayoria de los casos nos encontramos paginas con una estructura tal que asi:

<strong>MEDIO: </strong> TVE<br />

En ese caso genial, porque para extraer TVE le hago un split haciendo esto:

micadena=(cadena.split('>MEDIO: </strong> ')[1])

Pero hay otros caso que sale asi

<strong>MEDIO: </strong>TV Local <br />

Con lo cual no me vale la cadena anterior teniendo que modificarlo por esto:

micadena=cadena.split('>MEDIO: </strong>')[1])

Claro... si lo programo de la manera 1, al encontrarse algo como la manera 2 pues el programa me falla.

Mi pregunta es.. como podria hacer algo generico que me sirviera para ambos casos? ojo... en alguna web me he encontrado cosas como esta

<strong>MEDIO:</strong> TV Madrid <br />

La colocacion de los dichosos espacios me esta matando. Mi intencion es extraer TVE, TV local o TV Madrid, independientemente de como hayan colocado los espacios a la hora de programar la web. A alguien se le ocurre una solucion?

2
  • y por que no usas una expresion regular?
    – Christian
    el 11 may. 2021 a las 20:04
  • el caso es que ademas de TVE TV Local TV Madrid pueden haber infinitos casos.... TV alemania TV italia... etc etc
    – user218133
    el 11 may. 2021 a las 20:20

1 respuesta 1

0

Para estos casos lo mejor es usar expresiones regulares:

import re

# Suponiendo los posibles casos que has puesto:
texto = '<strong>MEDIO: </strong> TVE<br /><strong>MEDIO: </strong>TV Local <br /><strong>MEDIO:</strong> TV Madrid <br />'

medios = re.findall('MEDIO:\s?</strong>\s?(\w+\s?\w+)',texto)

print(medios)

Esto te devolvería:

['TVE', 'TV Local', 'TV Madrid']

En primer lugar busca MEDIO: seguido de 0 ó 1 espacio (\s?) seguido de </strong> y otra vez 0 ó 1 espacio. Luego con (\w+\s?\w+) captura cualquier caracter o caracteres seguidos de 0 ó 1 espacio y otra vez cualquier caracter o caracteres.

7
  • el caso es que ademas de TVE TV Local TV Madrid pueden hacer infinitos casos.... TV alemania TV italia... etc etc...
    – user218133
    el 11 may. 2021 a las 20:19
  • 1
    En esos casos seguiría funcionando, mientras estén formados por dos palabras. Si fuesen más habría que modificarlo un poco. el 11 may. 2021 a las 20:20
  • Voy a probar a ver.. muchas gracias.
    – user218133
    el 11 may. 2021 a las 20:21
  • Lo dicho, me devuelve los 3 a la vez tal y como comentaste, no lo entendi yo bien.....Realmente lo que necesito es que me devuelva el medio que se encuentra en esa pagina. En una de las paginas es TVE...... en otra de las paginas es TV madrid en otra es TV italia.... es decir... no que me devuelva 3 a la vez... sino que me devuelva el q le corresponde. Jope que pena!
    – user218133
    el 11 may. 2021 a las 20:33
  • Pero, ¿cómo tienes las páginas?¿Todas como texto en una misma variable? si es así, habrá algo que te indique a qué página corresponde cada medio que no has puesto en la pregunta, ¿no? el 11 may. 2021 a las 20:50

Tu Respuesta

Al pulsar en “Publica tu respuesta”, muestras tu consentimiento a nuestros términos de servicio, política de privacidad y política de cookies

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