使用Python正则表达式提取搜索结果中的站点

最近要把Google所搜的结果中，所以的站点地址导出。于是便使用Python中正则表达式来提取所搜得到的结果。

这其中涉及几个需要解决的问题：

1、获取搜索的结果文本

为了获得更多的地址，我使用了Google的高级搜索功能，每个页面显示100条结果。

获得显示的结果后，可以查看源码，并保持成文本文件就有了搜索的结果文本

  

2、分析如何提取站点信息

首先需要分析获取的页面，查看以怎样的方式可以提取出站点信息。

我使用IE8自带的开发工具（按F12就会弹出来）中的探查器功能查看自己要关心的内容有什么特殊的格式

从上图可以看出我需要的站点在标签<cite></cite>中，所以我使用正则表达式提取这其中的文本是否就可以呢？

3、编写正则表达式来获取站点地址

接下来的就是写表达式了，我使用Python3.2编写的，方便好用（~_~）

代码如下，先把搜索结果页面保持到e:/t3.txt中，在执行如下代码

import re

p = re.compile(r'<cite>([^<>\/].+?)</cite>')

f = open("e:/t3.txt", encoding='utf-8')

content = f.read()

print ("\n".join(p.findall(content)))

运行如下：

对照一下，果然把所有的站点地址给获取到了。