# Wikipedia 世界杯赛程提取技巧

## 页面结构

2026世界杯页面：`https://en.wikipedia.org/wiki/2026_FIFA_World_Cup`

每个比赛在 `<div class="footballbox">` 块中，包含：
- 比赛编号：`Match (\d+)`
- 日期：`class="fdate"` 标签
- 时间：`<time>` 标签，包含时区信息（如 `1:00 p.m. UTC−6`）
- 主队：`class="fhome"` 标签内的 `>文本<`
- 客队：`class="faway"` 标签内的 `>文本<`

## Python 解析代码

```python
import urllib.request, re, html as html_module

url = "https://en.wikipedia.org/wiki/2026_FIFA_World_Cup"
req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})
with urllib.request.urlopen(req, timeout=15) as resp:
    content = resp.read().decode()

boxes = re.findall(
    r'<div[^>]*class="[^"]*footballbox[^"]*"[^>]*>(.*?)</div>\s*</div>',
    content, re.DOTALL
)

schedule = []
for box in boxes:
    mid = re.search(r'Match (\d+)', box)
    if not mid:
        continue
    
    date_m = re.search(r'class="fdate"[^>]*>(.*?)</td>', box, re.DOTALL)
    date_str = ''
    if date_m:
        date_str = re.sub(r'<[^>]+>', '', date_m.group(1)).strip()
        date_str = html_module.unescape(date_str)
        dm = re.search(r'(\w+ \d+, \d{4})', date_str)
        date_str = dm.group(1) if dm else date_str
    
    time_m = re.search(r'<time[^>]*>(.*?)</time>', box, re.DOTALL)
    time_str = ''
    tz_offset = None
    if time_m:
        raw = time_m.group(1)
        raw_clean = re.sub(r'<[^>]+>', '', raw).strip()
        raw_clean = html_module.unescape(raw_clean)
        tm = re.search(r'(\d{1,2}:\d{2}\s*[ap]\.m\.)', raw_clean, re.IGNORECASE)
        time_str = tm.group(1) if tm else raw_clean
        tz_m = re.search(r'UTC([−+-]\d+)', raw)
        if tz_m:
            tz_str = tz_m.group(1).replace('−', '-')
            tz_offset = int(tz_str)
    
    home_m = re.search(r'class="fhome"[^>]*>(.*?)</td>', box, re.DOTALL)
    home_str = ''
    if home_m:
        texts = re.findall(r'>([^<]+)<', home_m.group(1))
        for t in texts:
            t = t.strip()
            if t and len(t) > 1 and not t.startswith('&#') and not t.startswith('Match'):
                home_str = html_module.unescape(t)
                break
    
    away_m = re.search(r'class="faway"[^>]*>(.*?)</td>', box, re.DOTALL)
    away_str = ''
    if away_m:
        texts = re.findall(r'>([^<]+)<', away_m.group(1))
        for t in texts:
            t = t.strip()
            if t and len(t) > 1 and not t.startswith('&#') and not t.startswith('Match'):
                away_str = html_module.unescape(t)
                break
    
    schedule.append({
        'match': int(mid.group(1)),
        'date': date_str,
        'time': time_str,
        'tz': tz_offset,
        'home': home_str,
        'away': away_str
    })

schedule.sort(key=lambda x: x['match'])
```

## 时区转换（→ 北京时间 UTC+8）

| 当地时区 | 换算 | 示例 |
|---------|------|------|
| UTC-6（墨西哥城） | +13小时 | 当地15:00 = 北京次日04:00 |
| UTC-4（多伦多/纽约） | +12小时 | 当地18:00 = 北京次日06:00 |
| UTC-7（洛杉矶） | +15小时 | 当地17:00 = 北京次日08:00 |

## 注意事项

- 用 Python urllib 而不是 curl 抓取 Wikipedia（更可靠）
- 页面很大（~150KB），解析需要几秒钟
- 比赛编号不连续（1, 2, 3, 4, 5, 6, 7, 8, 25, 26...），按编号排序即可