从抓取的文本中提取非结构化地址和电子邮件id作为变量-Python

Question

我是python的新手，所以如果这是一个简单的问题，请原谅我。下面的代码成功地抓取了一个网页。有没有一种方法可以提取地址，电子邮件id&联系人号码，并将其放入数据帧中。我已经搜索了两种方法来做到这一点：-

• REGEX-但它可能不起作用，因为我有很多网站要刮和地址可能并不总是以规则模式进行结构化
• Pyap-它只迎合美国&加拿大地址

除了以上两种方法之外，还有什么方法可以获取所需的详细信息吗：-

import requests
from bs4 import BeautifulSoup
link = input("ENTER WEBPAGE") # for example, i am using this webpage as of now "[https://glg.it/contact-us/][1] "
response = requests.get(url)
details = response.text
scraped_details = BeautifulSoup(details, "html.parser")
pretty1 = scraped_details.prettify()
print(pretty1)

谢谢你的帮助！！

Answer 1

Regex可以通过修改与大多数地址格式匹配的表达式来使用>br>

import re
txt = ...
regexp = "[0-9]{1,3} .+, .+, [A-Z]{2} [0-9]{5}"
address = re.findall(regexp, txt)
# address = ['44 West 22nd Street, New York, NY 12345']

说明：

[0-9]{1,3}:1至3位，地址号

(space)：数字和街道名称之间的空格

.+：街道名称，任何出现次数的任何字符

,：城市前的逗号和空格

.+：城市，任意出现次数的任意字符

,：状态前的逗号和空格

[A-Z]{2}：从A到Z 正好有2个大写字符

[0-9]{5}:5位

re.findall(expr, string)将返回一个数组，其中包含找到的所有匹配项。