个人中心
gpt4 book ai didi

python - 如何提取下的所有源代码并导出为html？
转载 作者：太空宇宙 更新时间：2023-11-03 17:55:20 25 4
gpt4 key购买 nike

我是 Scrapy 的初学者。我的目标是从大型 HTML 页面中提取选定的表格，然后以 HTML 格式将选定的表格一起导出。所以本质上，我想要的是获得原始网页的较短版本，仅保留 <table>部分。

每个<table>的结构部分如下所示:

<table>
   <tbody>
      <tr>
        <td> 
          <font>

目前，我正在尝试以下蜘蛛代码，但问题是:

  1. 它不会保留所有源格式；
  2. <table>和</table>不包括在内；
  3. 我不知道如何将抓取的结果保存为 html 格式。
<小时/> 
  def parse(self, response):
      hxs = HtmlXPathSelector(response)
      titles = hxs.select("//document/type/sequence/filename/description/text/table")
      items = []
      for titles in titles:
          item = MyHtmlItem()
          item ["htmltext"] = titles.select("node()").extract()
          if (item["htmltext"]):
              items.append(item)
      return items

谁能给我一些建议吗？

最佳答案

如果我理解正确，并且您只需要从页面中提取原始表格 html，那么解决方案非常简单:

def parse(self, response):
    # XPath query to get all tables from response
    tables_selectors = response.xpath('//table')
    tables_html = tables_selectors.extract()
    ...

tables_html 是原始表格 html 中的字符串数组。根据需要进行处理。

一些建议:

你的语法看起来有点过时，看来你使用的是过时的Scrapy手册。

请查看最新文档:official site

使用表时，请小心 XPath 查询中的 tbody 标记。

希望这有帮助!

关于python - 如何提取<table>下的所有源代码并导出为html？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/28528778/

25 4 0
太空宇宙
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