添加链接 注册    登录
link管理
链接快照平台
  • 输入网页链接，自动生成快照
  • 标签化管理网页链接
相关文章推荐
逃课的黑框眼镜  ·  用 Git 导出修改过的文件·  1 周前    · 
乖乖的红薯  ·  USGS OFR 2009-1002: ...·  2 周前    · 
开朗的熊猫  ·  stream-unzip · PyPI·  2 周前    · 
文质彬彬的创口贴  ·  使用BLOB ...·  3 周前    · 
善良的鸵鸟  ·  JSZip·  1 月前    · 
咆哮的枇杷  ·  Rstudio中不显示plots - CSDN文库·  1 周前    · 
另类的香蕉  ·  高效又省心！航运服务并联办又有新尝试！_政府 ...·  1 周前    · 
玉树临风的冲锋衣  ·  Sur l’éviction de ...·  1 月前    · 
想出家的绿茶  ·  让你事半功倍的 10 个 Pandas ...·  1 月前    · 
迷茫的警车  ·  《EVA新世纪福音战士》与非凡的九十年代 ...·  2 月前    · 
link管理  ›  8.3. 从 HTML 文档中提取数据
html文件 zip
https://woodpecker.org.cn/diveintopython/html_processing/extracting_data.html
直爽的风衣
2 月前

从 HTML 文档中提取数据的第一步是得到某个 HTML 文件。如果在您的硬盘里存放着 HTML 文件，您可以使用 处理文件的函数 将它读出来，但是真正有意思的是从实际的网页得到 HTML 。

例 8.5. urllib 介绍 >>> import urllib 1 >>> sock = urllib.urlopen( "http://diveintopython.org/" ) 2 >>> htmlSource = sock.read() 3 >>> sock.close() 4 >>> print htmlSource 5 <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"><html><head> <meta http-equiv='Content-Type' content='text/html; charset=ISO-8859-1'> <title>Dive Into Python</title> <link rel='stylesheet' href='diveintopython.css' type='text/css'> <link rev='made' href='mailto: [email protected] '> <meta name='keywords' content='Python, Dive Into Python, tutorial, object-oriented, programming, documentation, book, free'> <meta name='description' content='a free Python tutorial for experienced programmers'> </head> <body bgcolor='white' text='black' link='#0000FF' vlink='#840084' alink='#0000FF'> <table cellpadding='0' cellspacing='0' border='0' width='100%'> <tr><td class='header' width='1%' valign='top'>diveintopython.org</td> <td width='99%' align='right'><hr size='1' noshade></td></tr> <tr><td class='tagline' colspan='2'>Python&nbsp;for&nbsp;experienced&nbsp;programmers</td></tr> [...略...]

例 8.7. 使用 urllister.py 


>>> import urllib, urllister
>>> usock = urllib.urlopen("http://diveintopython.org/")
>>> parser = urllister.URLLister()
>>> parser.feed(usock.read())         1
>>> usock.close()                     2
>>> parser.close()                    3
>>> for url in parser.urls: print url 4
toc/index.html
#download
#languages
toc/index.html
appendix/history.html
download/diveintopython-html-5.0.zip
download/diveintopython-pdf-5.0.zip
download/diveintopython-word-5.0.zip
download/diveintopython-text-5.0.zip
download/diveintopython-html-flat-5.0.zip
download/diveintopython-xml-5.0.zip
download/diveintopython-common-5.0.zip
...略...

Footnotes

[ 4 ] 像 SGMLParser 这样的分析器，技术术语叫做 消费者 (consumer) 。它消费 HTML ，并且拆分它。也许因此就选择了 feed 这个名字，以便同 消费者 这个主题相适应。就个人来说，它让我想象在动物园看展览。里面有一个黑漆漆的兽穴，没有树，没有植物，没有任何生命的迹象。但只要您非常安静地站着，尽可能靠近着瞧，您会看到在远处的角落里有两只明眸在盯着您。但是您会安慰自已那不过是心理作用。唯一知道兽穴里并不是空无一物的方法，就是在栅栏上有一个不明显的标记，上面写着 “ 禁止给分析器喂食 ”。但也许只有我这么想，不管怎么样，这种心理想象很有意思。

 
推荐文章
逃课的黑框眼镜  ·  用 Git 导出修改过的文件
1 周前
乖乖的红薯  ·  USGS OFR 2009-1002: Digital Seismic-Reflection Data from Western Rhode Island Sound, 1980, Seismic-R
2 周前
开朗的熊猫  ·  stream-unzip · PyPI
2 周前
文质彬彬的创口贴  ·  使用BLOB 进行docx格式文件、zip压缩包下载_blob docx-CSDN博客
3 周前
善良的鸵鸟  ·  JSZip
1 月前
咆哮的枇杷  ·  Rstudio中不显示plots - CSDN文库
1 周前
另类的香蕉  ·  高效又省心！航运服务并联办又有新尝试！_政府信息公开_安徽省交通运输厅
1 周前
玉树临风的冲锋衣  ·  Sur l’éviction de Madame Aminata Touré de l’assemblée nationale – THIERNO BOCOUM
1 月前
想出家的绿茶  ·  让你事半功倍的 10 个 Pandas 秘籍 | 坎德人的小包包
1 月前
迷茫的警车  ·  《EVA新世纪福音战士》与非凡的九十年代 - 哔哩哔哩
2 月前
Link管理   ·   51好读   ·   Sov5搜索   ·   小百科
link管理 - 链接快照平台