- 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
我有一个大型 HTML 源代码,我想解析 (~200,000) 行,而且我相当确定整个代码中存在一些糟糕的格式。我一直在研究一些解析器,似乎 Beautiful Soup、lxml、html5lib 是最受欢迎的。从阅读这个网站来看,lxml 似乎是最常用和最快的,而 Beautiful Soup 速度较慢但会导致更多错误和变化。
我对 Beautiful Soup 文档有点困惑,http://www.crummy.com/software/BeautifulSoup/bs4/doc/ ,以及像 BeautifulSoup(markup, "lxml") 或 BeautifulSoup(markup, html5lib) 这样的命令。在这种情况下,它是否同时使用 Beautiful Soup 和 html5lib/lxml?速度在这里并不是真正的问题,但准确性才是。最终目标是使用 urllib2 解析获取源代码,并从文件中检索所有文本数据,就好像我只是复制/粘贴网页一样。
附言有没有办法在不返回网页 View 中不存在的任何空白的情况下解析文件?
最佳答案
我的理解(已经将 BeautifulSoup 用于一些事情)是它是 lxml 或 html5lib 等解析器的包装器。使用指定的解析器(我相信默认是 HTMLParser,python 的默认解析器),BeautifulSoup 创建了一个标签元素树,这样可以很容易地导航和搜索 HTML 以获取标签内继续的有用数据。如果您真的只需要网页中的文本而不需要来自特定 HTML 标记的更具体的数据,您可能只需要类似于以下的代码片段:
from bs4 import BeautifulSoup
import urllib2
soup = BeautifulSoup(urllib2.urlopen("http://www.google.com")
soup.get_text()
get_text 对于复杂的网页来说不是很好(它偶尔会随机获取 javascript 或 css),但是如果您掌握了如何使用 BeautifulSoup 的窍门,那么只获取您想要的文本应该不难。
出于您的目的,您似乎不需要担心让其他解析器之一与 BeautifulSoup(html5lib 或 lxml)一起使用。 BeautifulSoup 可以自行处理一些草率问题,如果不能,它会给出关于“格式错误的 HTML”或类似内容的明显错误,这将指示安装 html5lib 或 lxml。
关于python - 解析源代码(Python)方法: Beautiful Soup, lxml、html5lib区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10942730/
我不知道“汤”字面意思在与计算机图形相关的“三角形汤”或“多边形汤”中使用时是什么意思。是不是和我们用勺子吃饭的“汤”有关? (我的母语不是英语。) 最佳答案 维基百科来拯救! A polygon s
我们正在废弃 Amazon.in 网站以检索任何产品的价格。所有产品在“span”标签中的“id”属性都具有不同的值,例如; id = 'priceblock_ourprice', id = 'p
我有一个这样的模板: 和这样的输入 HTML COMPLEX HTML 其中 COMPLEX_HTML 是很多子标签(很干净 - 验证) 我试图将输入 HTML 的 body 标记内的 HTML
我对 soup('tag_name') 和 soup.find_all('tag_name') 之间的区别感到困惑。下面是一个包含一小段 html 的示例: from bs4 import Beaut
我正在尝试使用 css 选择器解析 html 页面 import requests import webbrowser from bs4 import BeautifulSoup page = req
这是网页 HTML 源代码的一部分: apple banana cherry melon 我想提取我想要的网址,比如以/Result 开头的网址?我刚刚了解到您可以在 beautiful soup
我注意到一个非常烦人的错误:BeautifulSoup4(包:bs4)经常发现比以前版本(包:BeautifulSoup)更少的标签。 这是该问题的一个可重现的实例: import requests
所以我一直在试图弄清楚如何抓取一个购买/销售网站的网站,我发现了 HTML 中的所有内容,但该类包含不同的随机数,例如:
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎不是关于 a specific programming problem, a softwa
我正在尝试加载 html 页面并输出文本,即使我正确获取网页,BeautifulSoup 以某种方式破坏了编码。 来源: # -*- coding: utf-8 -*- import requests
题目地址:https://leetcode.com/problems/soup-servings/description/ 题目描述: There are two types of soup: t
您好,我正在尝试从网站获取一些信息。请原谅我,如果我的格式有任何错误,这是我第一次发布到 SO。 soup.find('div', {"class":"stars"}) 从这里我收到 我需要 “
我想从 Google Arts & Culture 检索信息使用 BeautifulSoup。我检查了许多 stackoverflow 帖子( [1] , [2] , [3] , [4] , [5]
我决定学习 Python,因为我现在有更多时间(由于大流行)并且一直在自学 Python。 我试图从一个网站上刮取税率,几乎可以获得我需要的一切。下面是来自我的 Soup 变量以及相关 Python
我正在使用 beautifulsoup 从页面中获取所有链接。我的代码是: import requests from bs4 import BeautifulSoup url = 'http://ww
我正在尝试根据部分属性值来识别 html 文档中的标签。 例如,如果我有一个 Beautifulsoup 对象: import bs4 as BeautifulSoup r = requests.ge
Показать телефон 如何在 Beautiful Soup 中找到上述元素? 我尝试了以下方法,但没有奏效: show = soup.find('div', {'class': 'acti
我如何获得结果网址:https://www.sec.gov/Archives/edgar/data/1633917/000163391718000094/0001633917-18-000094-in
我是 python 新手,尝试从页面中提取表格,但无法使用 BS4 找到该表格。你能告诉我我哪里出错了吗? import requests from bs4 import BeautifulSoup
我有一个巨大的 XML 文件(1.2 G),其中包含数百万个 MusicAlbums 的信息,每个 MusicAlbums 都具有如下简单格式 P 22 Exitos
我是一名优秀的程序员,十分优秀!