Python网页中的重复项

Question

我试图建立一个网络爬虫，以获得特定的价值观，从一个网页。这些值可能会被更新，我不想在输出中获取以前的值。你知道吗

下面是我的问题的一个简化示例：

html_example=''' 
<value> this is the updated value 
Keyword "previous" that tell me I don't want the next value. 
<valueIdontwant> this is the previous value
<value> this value has not been updated
<value> this is the updated value 
Keyword "previous" that tell me I don't want the next value. 
<valueIdontwant> this is the previous value
<value> this value has not been updated 
'''

我正在使用的代码（基于教授的Dave MOOC）

def get_values(content):
    values=[]
    while True:
        start_value=content.find('<')
        end_value=content.find('>', start_value+1)
        value=content[start_value+1:end_value]
        if value:
          values.append(value)
          content=content[end_value:]
        else:
            break
    return values

get_values(html_example)

我得到的输出：

['value', 'valueIdontwant', 'value', 'value', 'valueIdontwant', 'value']

我想要得到的输出：

['value', 'value', 'value', 'value']

跟踪我想省略的值的唯一方法是关键字“previous”，而不是它自己的值（在我的情况下，“for value in values”类代码将不起作用）。你知道吗

我是一个相当新的编程，我真的很不擅长，我尝试了不同的“如果”语句，但没有成功。如果您对如何解决这个问题有任何想法，请提前感谢！你知道吗

Answer 1

代码很复杂，不太像python，但如果您希望对列表进行索引访问，请查找enumerate（）。你知道吗

def get_values_ignore_current_line(content, keyword):
   content = '\n'.join([x for x in content.splitlines() if keyword not in x]) 
   tags = re.findall('<.*?>', content)
   return tags

def get_values_ignore_next_line(content, keyword):
    lines = content.splitlines()
    new_content = [lines[0]]
    for i, line in enumerate(lines):
        if (keyword not in line) or (re.match('<.*?>', line) is not None):
            if i < len(lines) - 1:
                new_content.append(lines[i+1])
    new_content = '\n'.join(new_content)
    return re.findall('<.*?>', new_content)