Python Challenge第二关

网址：http://www.pythonchallenge.com/pc/def/ocr.html

问题描述：

将网页html源码中的注释字符读出来，然后找到其中出现次数较少的字符。

1、读取网页的html代码

python提供了urllib和urllib2来读取url指向的任何东西(网页、图片等等)。如果只是简单的下载或读取网页内容，urllib就足够了，如果要使用HTTP验证、cookie等，最好使用urllib2。

from urllib import urlopenwebpage=urlopen('http://www.pythonchallenge.com/pc/def/ocr.html')html=webpage.read()

2、提取需要分析的部分

需要分析的文本是以注释的形式出现的(包含在<!--与-->中间)，而<--这个3字符均是正则表达式的特殊字符，所以需要转义一下，另外文本中还夹杂着很多换行符，而.(dot)恰好不能匹配换行符(历史原因，详见:http://www.regular-expressions.info/dot.html)，网上有的人给的答案是[.\n]，这个根本不行，不知道这些人哪来的自信，随手一写就敢回答别人的问题。所有在[]里的字符都会失去其与原来的意义，.(dot)在中括号里不在代表任何字符了，它现在就是个普通的.(dot)，此时的它只代表它自己，而不是让普通字符变为特殊字符。匹配带有换行符的任意字符通用模式是[\s\S]，本文测试模式[\w\W\n]也是可以的。

为了解决这个历史遗留问题，很多编程语言都做了特殊处理，来让.(dot)可以匹配包括换行符在内的所有的字符，python中的处理就是在匹配的时候加个re.S。

import rerst = re.search(r'(?<=\<!\-\-).+?(?=\-\-\>)',html,re.S)cnt=rst[1].replace('\n','')

3、统计各个字符的个数，并排序

这个一步没有找到太好的办法，只能一步步的写了。

dct={}.fromkeys(cnt)for c in cnt:     dct[c]+=1dct=sorted(dct.items(),key=lambda x:x[1])print dct

得到的结果是aeilquty，直接放到url，居然不行。看来需要重组一下形成一个单词，以我的经验lity一般是在一块的，那就剩下aequ了，死活没想出来是哪个单词。然后把aequlity复制到google搜索框。。。结果:

参考：

http://www.regular-expressions.info/dot.html

http://deerchao.net/tutorials/regex/regex.htm