从JavaScript中提取数据（Python爬虫）
我现在正在用 urllib2、pyquery 和 json 这几个工具来抓取一个网站的数据，但现在我发现我需要从 JavaScript 中提取一些数据。一个想法是使用一个 JavaScript 引擎（比如 V8），但这对我来说似乎有点太复杂了。我本来想用正则表达式来处理，但这个表达式看起来实在太复杂了。
JavaScript 代码：
(function(){DOM.appendContent(this, HTML("<html>"));;})
我需要提取 <html>，但我不太确定该怎么做。因为 <html> 本身可以包含几乎所有的字符，所以用 [^"] 这样的方式是行不通的。
有什么想法吗？
2 个回答
1
如果在HTML代码中，每次出现的"都用\"来转义（毕竟这是JavaScript字符串），你可以使用
HTML\("((?:\\"|.)*?)"\)
来把参数放到HTML的第一个捕获组里。
请注意，这个正则表达式还没有被转义成JavaScript字符串。
2
为什么要用正则表达式呢？难道你不能直接用两个子字符串来处理吗？你不是知道想要去掉开头和结尾多少个字符吗？
string[42:-7]
其实，用这种方法比用正则表达式要快，而且这样就不用担心在<html>里面的引号是否被转义了。