- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在使用 urllib2 从网页中获取数据。所有页面的内容都是英文的,因此不存在处理非英文文本的问题。然而,这些页面是经过编码的,它们有时包含 HTML 实体,例如 £ 或版权符号等。
我想检查页面的某些部分是否包含某些关键字 - 但是,我想进行不区分大小写的检查(出于显而易见的原因)。
将返回的页面内容转换为全部小写字母的最佳方式是什么?
def get_page_content_as_lower_case(url):
request = urllib2.Request(url)
page = urllib2.urlopen(request)
temp = page.read()
return str(temp).lower() # this dosen't work because page contains utf-8 data
[[更新]]
我不必使用 urllib2 来获取数据,实际上我可以使用 BeautifulSoup,因为我需要从页面中的特定元素检索数据 - BS 是更好的选择。我更改了标题以反射(reflect)这一点。
但是,问题仍然存在,即获取的数据采用 utf-8 中的某些非 asci 编码(应该是)。我确实检查了其中一个页面,编码是 iso-8859-1。
因为我只关心英语,所以我想知道如何获得从页面检索到的数据的小写 ASCII 字符串版本 - 这样我就可以对关键字是否区分大小写进行测试在文中找到。
我假设我将自己限制在英语(来自英语网站)这一事实减少了编码的选择?。我不太了解编码,但我假设有效的选择是:
这是一个有效的假设吗?如果是,也许有一种方法可以编写一个“稳健”的函数来接受包含英文文本的编码字符串并返回它的小写 ASCII 字符串版本?
最佳答案
不区分大小写的字符串搜索比简单地搜索小写变体更复杂。例如,德国用户希望将 STRASSE
和 Straße
与搜索词 Straße
匹配,但 'STRASSE' .lower() == 'strasse'
(您不能简单地将双 s 替换为 ß - Trasse 中没有 ß)。其他语言(特别是 Turkish )也会有类似的并发症。
如果您希望支持英语以外的其他语言,那么您应该使用可以处理正确大小写的库(例如 Matthew Barnett's regexp
)。
也就是说,提取页面内容的方法是:
import contextlib
def get_page_content(url):
with contextlib.closing(urllib2.urlopen(url)) as uh:
content = uh.read().decode('utf-8')
return content
# You can call .lower() on the result, but that won't work in general
关于python - 从使用 urllib2 或 BeautifulSoup 获取的(可能编码的)字符串返回小写 ASCII 字符串,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9012607/
HTML 在 div 中包含字符串: 'div class="slide"' 'img src="xttps://site.com/files/r_1000,kljg894/43k5j/35h43jk
我用这个方法 allcity = dom.body.findAll(attrs={'id' : re.compile("\d{1,2}")}) 返回这样的列表: [掳虏驴碌路驴碌脴虏煤脨脜脧垄脥酶 隆
我正在使用 Jupyter 笔记本、Python 3.5 和虚拟环境。 在我的虚拟环境中,我做了: (venv) > pip install BeautifulSoup4 这似乎运行良好 b/c 终端
我打算用 GUI 制作一个字典程序,但我在第一个障碍上就失败了。我刚刚安装了一个模块( PyDictionary ),但是当我运行以下代码时出现错误。 from PyDictionary import
我正在将一些解析器从 BeautifulSoup3 迁移到 BeautifulSoup4,我认为考虑到 lxml 非常快并且它是我在 BS4 中使用的解析器,分析它会变得多快是个好主意,这里是分析结果
这个问题在这里已经有了答案: Getting Python error "from: can't read /var/mail/Bio" (6 个答案) 关闭 11 个月前。 From Beauti
目前我无法输入这个,因为根据 top,我的处理器是 100%,我的内存是 85.7%,都被 python 占用了。 为什么?因为我让它通过一个 250 兆的文件来删除标记。 250兆,就是这样!我一直
我写了下面的代码: from bs4 import BeautifulSoup import sys # where is the sys module in the source code fold
通常,当我尝试使用BeautifulSoup解析网页时,BeautifulSoup函数会得到NONE结果,否则就会引发AttributeError。。以下是一些独立的(即,由于数据是硬编码的,不需要访
通常,当我尝试使用BeautifulSoup解析网页时,BeautifulSoup函数会得到NONE结果,否则就会引发AttributeError。。以下是一些独立的(即,由于数据是硬编码的,不需要访
我正在为一个项目使用 BeautifulSoup。这是我的 HTML 结构 John Sam Bailey Jack
这段代码正确地从我的博客中提取了马拉地语文本。我很欣赏使用漂亮的汤和正则表达式是多么容易。 from bs4 import BeautifulSoup import requests, re url
我想获取 HTML 中隐藏输入字段的值。 我想用 Python 编写一个正则表达式,它将返回 fooId 的值,前提是我知道 HTML 中的行遵循以下格式 有人可以提供一个 Python 示例来解
BeautifulSoup(bs4) BeautifulSoup是python的一个库,最主要的功能是从网页爬取数据,官方是这样解释的:BeautifulSoup提供一些简单,python式函
我正在尝试获取特定月份的所有链接、标题和日期,例如网站上的三月,我正在使用 BeautifulSoup 这样做: from bs4 import BeautifulSoup import reques
我正试图通过此链接收集有关 2020 年世界上收入最高的运动员收入的信息 https://www.forbes.com/profile/roger-federer/?list=athletes这是第一
我正在尝试从带有美丽汤的网页中捕获所有相关链接。我需要的所有链接都有 class="btn btn-gray"还有文字 More Info<> 仅提取这些链接的最佳方法是什么? 最佳答案 这个怎么样?
我正在尝试抓取一个具有下拉菜单的站点,用户可以在其中选择要显示的数据的年份。但是,我似乎被困在我的实现中。 这是网站网址:https://www.pgatour.com/tournaments/mas
我正在使用 BeautifulSoup 和 mechanise 从网页中查找一些内容。问题是有时找不到我正在寻找的字符串。我不知道有什么问题 对于许多网页,它可以正常工作数月,但突然停止工作。然后我必
( 更新代码 就在下面) 我有一个类:UrlData , 生成一个 url 列表: for url in urls: rawMechSiteInfo = mech.open(url) #me
我是一名优秀的程序员,十分优秀!