Estoy usando el módulo re para extraer datos de una web. Concretemente: https://thepiratebay.org/search/piratas%20del%20caribe
Pero tengo un problema, si hago:
re.findall('<a href="(.*)"', data)
Me devuelve desde el inicio del href hasta el final de data. Si hago:
re.findall('<a href="(.*)" class', a)
Entonces sí me devuelve el valor correcto. Yo quiero seleccionar todo desde la primera comilla del href hasta la segunda, pero si pongo una comilla después del .* parece que lo ignora. En cambio con texto normal sí funciona.
Concretamente quiero obtener el nombre de los resultados, y el magnet link. Lo intento así:
re.findall("""<div class="detName"><a href=".*" .*">(.*)</a>.*href="(magnet.*)" title="Download thi""", html.replace('\n', ''))
Y así (para ver sólo los nombres, sólo era una prueba):
re.findall("""<div class="detName"><a href=".*" .*">(.*)</a>""", data.replace('\n', ''))
Pero me devuelve:
['<img src="//thepiratebay.org/static/img/rss_small.gif" alt="RSS" />']
¿Cómo debería hacerlo?