如何用Python3提取HTML源码中document.getElementById的括号内内容？

我想使用Python3从HTML文档里提取特定内容，以DuckDuckGo（https://duckduckgo.com）为例，需要定位到类似var error=document.getElementById("error_homepage");这样的代码，提取括号里的内容（也就是"error_homepage"）。目前我写了初始代码，但不知道怎么完成提取逻辑：

import urllib.request
u = input ('Please enter URL: ')
x = urllib.request.urlopen(u)
print(x.read())

嘿，这事儿用正则表达式就能轻松搞定，我给你调整下代码，一步步来解释：

1. 解码响应内容：urlopen.read()返回的是字节流，得先解码成字符串才能处理；
2. 匹配目标模式：用正则匹配document.getElementById("xxx")这种结构，把括号里的内容作为捕获组；
3. 处理匹配结果：判断是否找到匹配项，再提取对应的内容。

改进后的完整代码：

import urllib.request
import re

# 获取输入URL
u = input('Please enter URL: ')
# 发起请求并解码内容
response = urllib.request.urlopen(u)
html_content = response.read().decode('utf-8')

# 定义正则表达式：匹配document.getElementById("xxx")的结构，捕获引号内的内容
pattern = re.compile(r'document\.getElementById\("([^"]+)"\)')
# 查找所有匹配项
matches = pattern.findall(html_content)

# 处理结果
if matches:
    print("提取到的内容：")
    for item in matches:
        print(item)
else:
    print("未找到匹配的内容")

补充说明： #

• 正则表达式里的([^"]+)表示捕获所有非引号的字符，确保只提取括号内引号包裹的内容；
• 如果目标代码里用的是单引号，把正则里的双引号改成单引号就行：r'document\.getElementById\('([^']+)'\)'；
• 要是你只需要第一个匹配结果，用pattern.search(html_content)替代findall，然后通过match.group(1)获取内容。

内容的提问来源于stack exchange，提问作者Jake