Python regex sur la liste

Question

Je suis en train de construire un analyseur et enregistrer les résultats sous forme d'un fichier xml mais j'ai des problèmes ..

Est-ce que vous les experts s'il vous plaît jeter un oeil à mon code?

Traceback: TypeError: expected string or buffer

import urllib2, re 
from xml.dom.minidom import Document 
from BeautifulSoup import BeautifulSoup as bs 
osc = open('OSCTEST.html','r') 
oscread = osc.read() 
soup=bs(oscread) 
doc = Document() 
root = doc.createElement('root') 
doc.appendChild(root) 
countries = doc.createElement('countries') 
root.appendChild(countries) 
findtags1 = re.compile ('<h1 class="title metadata_title content_perceived_text(.*?)`</h1>', re.DOTALL | re.IGNORECASE).findall(soup) 
findtags2 = re.compile ('<span class="content_text">(.*?)</span>', re.DOTALL | re.IGNORECASE).findall(soup) 
for header in findtags1: 
title_elem = doc.createElement('title') 
countries.appendChild(title_elem) 
header_elem = doc.createTextNode(header) 
title_elem.appendChild(header_elem) 
for item in findtags2: 
    art_elem = doc.createElement('artikel') 
    countries.appendChild(art_elem) 
    s = item.replace('<P>','') 
    t = s.replace('</P>','') 
    text_elem = doc.createTextNode(t) 
    art_elem.appendChild(text_elem)  

print doc.toprettyxml() 

Answer 1

Il est bon que vous essayez d'utiliser BeautifulSoup pour analyser HTML, mais cela ne fonctionnera pas:

re.compile('<h1 class="title metadata_title content_perceived_text(.*?)`</h1>', 
      re.DOTALL | re.IGNORECASE).findall(soup) 

Vous essayez d'analyser un objet BeautifulSoup en utilisant une expression régulière. Au lieu de cela, vous devriez utiliser la méthode findAll sur la soupe, comme ceci:

regex = re.compile('^title metadata_title content_perceived_text', re.IGNORECASE) 
for tag in soup.findAll('h1', attrs = { 'class' : regex }): 
    print tag.contents 

Si vous ne voulez vraiment analyser le document sous forme de texte avec une expression régulière alors ne pas utiliser BeautifulSoup - il suffit de lire le document en chaîne et analyser cela. Mais je vous suggère de prendre le temps d'apprendre comment fonctionne BeautifulSoup, car c'est la façon préférée de le faire. Voir le documentation pour plus de détails.