新手看不懂 Beautiful Soup文档,大家可以提供一些思路吗? 我不是伸手党
|
1
我也不熟悉bs4, 楼主可以尝试一下先查看html文档, 熟悉熟悉基本结构.
<head> <body> <td>... 什么的 然后就把html当成一个很长的字符串, 用正则分割处理一下. 这个搞利落的咱们再找找更优雅的方式吧 |
|
staticorApr 14, 2015
2
source = open(file1, 'r').read()
print(source.split('<title>')[1].split('</title>')[0]) 这里没用正则, 就是str的最基本的split函数. 希望有所帮助 (我也是抛砖引玉了) |
|
3
如果不复杂的话,直接用HTMLPaser就可以了,可以提取指定标签
https://docs.python.org/2/library/htmlparser.html 栗子: http://www.pythonclub.org/python-files/htmlparser 只要<body> 提取出来,随便你写成什么格式 |
|
4
Out=[]
Pass=0 for char in page: if Pass=0: if char=='<': Pass=1 continue else: if char=='>' Pass=0 continue else: Out.append(Char) else: pass Fatch=''.join(Out) 既然楼主不是伸手党 补全缩进就可以用了 |
|
5
readability提供了提取正文的api,返回的html可以使用amazon kindlegen生成mobi格式
|
|
icedxApr 14, 2015
6
不对 我那个不能用...
|
|
icedxApr 14, 2015
7
|
|
9
mobi?想要在kindle上看的是吗?
我以前用正则提取的,最后程序把正文存成docx文件,发到自己kindle邮箱 mobi是亚马逊自己的格式,不开源的,貌似没有现成的制作方法吧 |
|
crccwApr 15, 2015 via Android
10
BeautifulSoup挺好用的啊。。
|
|
endoffightApr 15, 2015 via Android
11
更直观的话,我给楼主推荐
pyquery |
|
endoffightApr 15, 2015 via Android
12
|
|
metrueApr 15, 2015
13
http://get.jobdeer.com/122.get 可以参考实现。
|
|
XcodeUserApr 15, 2015
14
学下xpath,然后用lxml不就挺好挺快吗
|
|
15
@icedx 感谢你的代码,刚刚试了下打开乱码,手动添加了网页编码 可行。我经管系,自学python,看了点Html CSS,陆续几个月始终没入门JavaScript。
|
|
16
@endoffight pyquery ,这个需要懂Jquery,计划准备学,
|
|
MayLavaApr 15, 2015
18
pyquery+html2text 直接转成markdown格式
|
|
19
多谢各位的帮助,我只刚看完《Learn Python the Hard Way》。Beautiful Soup 、xpath 、xml 、 pyquery 、正则表达式,上面各种 新手应该按照怎样的难易顺序来学。
|
|
Loop680Apr 15, 2015
21
我之前做了一个提取PDF内容转换成TXT的小工具,用的是正则做的。
|
|
22
这个我试过很多种方案,
beautfulsoup虽然没用过,但是应该是效果最好的。 其他的那些库容错率太低了,少个引号什么的都不行。比如<body>标签,html5标准里是可以不闭合的,也解析不出。 有瑕疵的网页还是比较多的,就算163什么的也免不了。 目前方案是selenium直接对接firefox。通过firefox的解析器解析html,然后js直接提取词条。这样firefox解析成什么样,我得到的就是什么。 |