- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试从以下网址(http://www.ancient-hebrew.org/m/dictionary/1000.html)抓取数据。所以每个希伯来语单词部分都以 img urls 开头,后跟 2 个文本,即实际的希伯来语单词及其发音。例如,url 中的第一个条目是以下“img1 img2 img3 אֶלֶף e-leph”,使用 wget 下载 html 后,希伯来语单词是一个 unicode
例如,我提供的以下代码 <img src="../../files/heb-anc-sm-pey.jpg"/>
和 <font face="arial" size="+1"> unicode_hebrew_text </font>
和 <a href="audio/ 505 .mp3"><img border="0" height="25" src="../../files/icon_audio.gif" width="25"/></a>
相反,我只想要 ../../files/heb-anc-sm-pey.jpg
和 unicode_hebrew_text
和 audio/505.mp3 (without any spaces in between)
from bs4 import BeautifulSoup
raw_html = open('/Users/gansaikhanshur/TESTING/webScraping/1000.html').read()
html = BeautifulSoup(raw_html, 'html.parser')
# output: <img src="../../files/heb-anc-sm-pey.jpg"/>
imgs = html.findAll("img")
for image in imgs:
# print image source
if "jpg" in str(image):
print(image)
# output: <font face="arial" size="+1"> unicode_hebrew_text </font>
font = html('font', face="arial", size="+1")
for f in font:
continue
# output: <a href="audio/ 505 .mp3"><img border="0" height="25" src="../../files/icon_audio.gif" width="25"/></a>
mp3file = html.findAll(href=True)
for mp3 in mp3file:
if "mp3" in str(mp3):
continue
如您所见,我的代码并没有真正完成这项工作。最后,我想获取 URL 中每个单词的信息,并将其保存为文本文件或 json 文件,以较容易的为准。
例如,图片:URLsOfImages,希伯来语单词:txt,发音:txt,URLtoAudio:txt
以及下一个词等等。
最佳答案
您要抓取的网页有点棘手。
现在,我为什么这么说?问题是,网页并没有大量使用 div 标签或类似的东西来将单个希伯来语单词及其相关数据放在一个 block 中(让我称希伯来语单词及其相关数据为希伯来语 block )。但是,如果您关注页面源代码,那么您会注意到每个希伯来语 block 都从一个 anchor 标记开始,看起来像这样:<a name="505"></a>
.值“505”将根据每个希伯来语 block 的强数而变化。所以,我试着把它作为每个希伯来语 block 的起点。现在在希伯来语 block 中,您可以使用扬声器图标 <a href="audio/ 505 .mp3"><img src="../../files/icon_audio.gif" width="25" height="25" border="0"></a>
来表示希伯来语 block 的终点。
考虑到上述想法,我想到了这个:
from bs4 import BeautifulSoup
from bs4 import NavigableString, Tag
import requests
import re
def make_soup(url):
html = requests.get(url, verify = False)
soup = BeautifulSoup(html.text, 'html.parser')
return soup
url = "http://www.ancient-hebrew.org/m/dictionary/1000.html"
soup = make_soup(url)
points = soup.find_all("a", attrs = {"name" : re.compile("[0-9]+")})
#This will help you locate the starting points of the Hebrew block
for point in points:
point_name = point['name']
images = [] #Will hold the links for the Old Hebrew images
text = "" #Will hold the immediate next Unicode Hebrew text
usage = "" #Will hold the usage/meaning data
mp3 = "" #Will hold the link to audio file
temp = point.next_sibling
#'temp' variable will be used as a navigator to extract the data within the Hebrew block
while(True):
#If 'temp' is a HTML 'Tag' by nature, then it'll contain the Unicode Hebrew text and links for images& audio
if(type(temp) is Tag):
if(temp.name == 'img'):
#If it's an 'img' tag, then put it to 'images' list
images.append(temp['src'])
elif(temp.name == 'font'):
#If it's a 'font' tag, then put it in 'text'
text = temp.string
elif(temp.name == 'a'):
#If it's 'a' tag, then it contains the link to audio file
mp3 = temp['href']
#Link to audio file will mark the end of the Hebrew block. So, 'break' out
break
elif(type(temp) is NavigableString):
#If 'temp' acquires a 'NavigableString' instead of a 'Tag' then it's usage/meaning
usage += temp
#Move to the next item within the Hebrew block
temp = temp.next_sibling
print([point_name, images, mp3, text, usage])
关于Python BeautifulSoup 获取图像、文本和 URL,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56532388/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
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
我是一名优秀的程序员,十分优秀!