Python中用urllib与findall提取HTML标题并显示到GUI遇阻

标签内容的问题 #

嘿，我看了你的代码，发现几个关键问题导致你找不到目标标题，咱们一步步来修正：

问题1：正则匹配了转义实体而非真实标签 #

你写的正则是'<h3>(.*)</h3>'，但实际上解码后的HTML内容里，标签是用<h3>和</h3>表示的，不是转义后的<h3>——这直接导致正则找不到任何匹配项，相当于你在找一个根本不存在的字符串。

问题2：没考虑

标签带属性的情况 #

去看Metacritic的页面源码，目标标题所在的

其实是带class属性的，比如：

Lovecraft's Untold Stories

你原正则只会匹配纯<h3>标签，自然抓不到带属性的目标标签。

问题3：没开启DOTALL模式跨行匹配 #

默认正则模式下，.不会匹配换行符，如果标题内容或者标签本身跨行了，.*就会匹配失败。你需要启用re.DOTALL让.能匹配包括换行在内的所有字符。

修正后的完整代码 #

import urllib.request
import re
from tkinter import Tk, Label

def game_function():
    game = Tk()
    game.geometry('600x400')
    game.title('Upcoming Video Game Releases')
    game.resizable(0,0)
    
    # 可切换使用本地文件URL或在线URL
    # url = "file:///D:/Riz/Poppie%202/Upcoming%20Video%20Game%20Releases%20for%202019%20-%20Metacritic.html"
    url = "https://www.metacritic.com/browse/games/release-date/coming-soon/all/date"
    
    # 访问在线URL需添加请求头，避免被反爬拦截
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'}
    req = urllib.request.Request(url, headers=headers)
    
    with urllib.request.urlopen(req) as response:
        encoding = response.info().get_param('charset', 'utf8')
        html = response.read().decode(encoding)
    
    # 修正后的正则：匹配带任意属性的<h3>，非贪婪捕获内容
    title_tag = r'<h3\s*.*?>(.*?)</h3>'
    # 启用DOTALL模式，处理跨行情况
    title_list = re.findall(title_tag, html, re.DOTALL)
    
    # 从匹配结果里筛选目标标题
    target_title = next((title.strip() for title in title_list if title.strip() == "Lovecraft's Untold Stories"), "Title not found")
    
    print("匹配到的部分标题:", title_list[:5])
    print("找到的目标标题:", target_title)
    
    title1_subtitle = Label(game, text=target_title, bg='white', fg='black', font=('Arial', 14, 'bold'))
    title1_subtitle.place(relx=0.8, rely=0.49, anchor='e')  # 添加anchor让标签对齐更合理
    title1_subtitle.configure(wraplength='260')
    
    game.mainloop()

game_function()

关键修改点说明 #

• 正则修正：r'<h3\s*.*?>(.*?)</h3>'
  • <h3\s*.*?>：匹配任何带有空格、属性的

    起始标签，覆盖页面里的实际标签格式

  • (.*?)：用非贪婪匹配，避免一次性抓取多个<h3>到</h3>之间的所有内容，确保只抓单个标签内的标题
• 启用DOTALL：让正则能处理标签或内容跨行的情况，不会因为换行导致匹配中断
• 请求头添加：访问Metacritic在线页面时必须模拟浏览器请求，否则会返回403禁止访问
• 目标标题筛选：用生成器表达式快速从匹配列表里找到你要的“Lovecraft's Untold Stories”，找不到就显示默认提示

小提示 #

虽然正则解析HTML确实容易因为页面结构变动失效，但既然你被限制只能用这些工具，这个方案应该能完美解决你的问题。如果用本地文件的话，确保你的URL编码是正确的（你原代码里的本地URL没问题）。

内容的提问来源于stack exchange，提问作者Joe Julen