如何设计我的正则表达式脚本来抓取非常特定的属性，例如颜色?

Question

这个周末我正在练习编写抓取脚本。我的方法是调整我以前使用过的刮板，从抓取股票"价格"到抓取属性：网站中使用的颜色。我已经研究了库和工具，例如lxml和Beautiful soup，并尝试了一些调试，但我不太清楚。

目标： 返回网站上使用的所有颜色的列表

这是我写的：

import urllib
import re
url="https://cloud.google.com/edu"
htmlfile = urllib.urlopen(url)
htmlsource = htmlfile.read()
regex = '<color:#aaa>'
pattern = re.compile(regex)
color = re.findall(pattern, htmlsource)
print "color", color

我不断得到的回报是：颜色

Answer 1

regex = '<color:#aaa>'将捕获看起来与'<color:#aaa>'完全相同的字符串

如果您查看要抓取的页面的源代码(view-source：https：//cloud.google.com/edu/)，并使用浏览器(ctrl + f)进行搜索，您会注意到字符串'<color:#aaa>'不存在任何地方。

如果要获取该页面上使用的颜色，则必须检索基本上如下所示的样式子字符串：

1. 颜色：#xxx
2. 颜色：RGBA(X，X，X，X)

但这些可能会略有不同：

• 6 位十六进制颜色，而不是 3 位
数字
• 具有 3 个参数的 RGB 而不是具有 4 个参数的 RGBA
"颜色">
• 不仅被命名为"颜色"，而且被命名为"其他颜色">
• 子字符串内的随机间距
• 等

这就是正则表达式派上用场的地方。我们可以制作几个处理这些场景的正则表达式(或者为两者创建一个大的、丑陋的正则表达式)。几个快速、不完整的例子，从我的头顶：

1. 'color:#(?:d{6}|d{3})'
2. 'color:rgba?(d+,d+,d+)'

我想你可以从之后的出现中删除子字符串"color：">