个人中心
gpt4 book ai didi

python - 在 Python 中仅使用内置库制作一个基本的网络抓取工具 - Python

转载 作者：行者123 更新时间：2023-11-28 17:45:59 33 4
gpt4 key购买 nike

学习 Python，我正在尝试制作一个没有任何第 3 方库的网络抓取工具，这样过程对我来说并没有简化，而且我知道我在做什么。我浏览了一些在线资源，但所有这些都让我对某些事情感到困惑。

html 看起来像这样，

<html>
<head>...</head>
<body>
    *lots of other <div> tags*
<div class = "want" style="font-family:verdana;font-size:12px;letter-spacing:normal"">
<form class ="subform">...</form>
<div class = "subdiv1" >...</div>
<div class = "subdiv2" >...</div>
    *lots of other <div> tags*
</body>
</html>

我想让抓取工具提取 <div class = "want"...>*content*</div>并将其保存到 html 文件中。

我对我需要如何处理这件事有一个非常基本的想法。

import urllib
from urllib import request
#import re
#from html.parser import HTMLParser

response = urllib.request.urlopen("http://website.com")
html = response.read()

#Some how extract that wanted data

f = open('page.html', 'w')
f.write(data)
f.close()

最佳答案

标准库自带各种Structured Markup Processing Tools ，您可以使用它来解析 HTML，然后搜索它以提取您的 div。

那里有很多选择。你用什么？

html.parser 看起来是显而易见的选择，但实际上我会从 ElementTree 开始反而。这是一个非常好的和非常强大的 API，网络上有大量的文档和示例代码可以帮助您入门，并且每天都有很多专家使用它来帮助您解决问题。如果事实证明 etree 无法解析您的 HTML，您将不得不使用其他东西……但请先尝试一下。

例如，通过对 HTML 进行一些小的修复，它实际上是有效的，因此实际上有一些文本值得从您的 div 中删除:

<html>
<head>...</head>
<body>
    *lots of other <div /> tags*
<div class = "want" style="font-family:verdana;font-size:12px;letter-spacing:normal">spam spam spam
<form class ="subform">...</form>
<div class = "subdiv1" >...</div>
<div class = "subdiv2" >...</div>
    *lots of other <div /> tags*
</div>
</body>
</html>

您可以使用这样的代码(我假设您知道或愿意学习 XPath):

tree = ElementTree.fromstring(page)
mydiv = tree.find('.//div[@class="want"]')

现在您已获得对 div 的引用与类 "want" .您可以通过以下方式获取其直接文本:

print(mydiv.text)

但是如果你想提取整个子树，那就更简单了:

data = ElementTree.tostring(mydiv)

如果您想将其包装在有效的 <html> 中和 <body>和/或删除 <div>本身，您必须手动完成该部分。该文档解释了如何使用简单的树 API 构建元素:您创建一个 head和一个 body放入 html , 然后贴上 div在body , 然后 tostring html ，仅此而已。

关于python - 在 Python 中仅使用内置库制作一个基本的网络抓取工具 - Python，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/18157529/

33 4 0
文章推荐： python - 为什么 "from [Module] import [Something]"比 "import [Module"花费更多的时间
文章推荐： python - 变量在 while 循环中改变值
文章推荐： python (VTK) : Connect two 3D points by an oriented cylinder
文章推荐： python - 对无响应的 Flask 路由的调用设置超时(更新)
行者123
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com