python - 使用 BeautifulSoup 和正则表达式解析时出现意外结果

Question

我正在使用 BeautifulSoup 库。我试图解析来自网站的电子邮件，但得到了意想不到的结果。这是我的代码:

from urllib.request import urlopen
from urllib.error import HTTPError
from urllib.error import URLError

from bs4 import BeautifulSoup
import re
from urllib.parse import quote 

startUrl = "http://getrocketbook.com/pages/returns"
try:
    html = urlopen(quote((startUrl).encode('utf8'), ':/?%#_'))
    bsObj = BeautifulSoup(html, "html.parser")
    alls = bsObj.body.findAll(text=re.compile('[A-Za-z0-9\._+-]+@[A-Za-z0-9\.-]+'))
    for al in alls:
        print(al)
except HTTPError:
    pass
except URLError:
    pass

我本想只解析一封电子邮件，但实际上我解析了这句话:

If you’ve done all of this and you still have not received your refund yet, please contact us at <a href="https://stackoverflow.com/cdn-cgi/l/email-protection" class="__cf_email__" data-cfemail="49212c252526092e2c3d3b262a222c3d2b262622672a2624" rel="noreferrer noopener nofollow">[email protected]</a>.

知道我做错了什么吗？

Answer 1

这是因为 findAll() 查找实际元素或文本节点，而不是单独的单词。

您需要做的是将相同的已编译正则表达式应用于结果:

pattern = re.compile('[A-Za-z0-9\._+-]+@[A-Za-z0-9\.-]+')
alls = bsObj.body.find_all(text=pattern)
for al in alls:
    print(pattern.search(al).group(0))

此外，由于那里只有一封电子邮件，请看看是否可以使用 find() 方法。