Rumah > Artikel > pembangunan bahagian belakang > Beberapa cara untuk mengekstrak data daripada halaman HTML
Beberapa cara untuk mengekstrak data daripada halaman HTML
- 王林asal
- 2023-06-13 10:40:405002semak imbas
Halaman HTML ialah jenis halaman Internet yang paling biasa Ia ditulis dalam bentuk bahasa penanda dan mengandungi banyak tag dan elemen. Dalam kebanyakan kes, kami perlu mengekstrak data daripada halaman HTML supaya halaman tersebut boleh dianalisis, diurus dan diproses dengan betul. Artikel ini akan memperkenalkan beberapa kaedah untuk mengekstrak data daripada halaman HTML untuk membantu pembaca menyelesaikan tugas ini dengan mudah.
1. Gunakan ungkapan biasa
Ungkapan biasa ialah alat yang biasa digunakan dalam pemprosesan teks dan salah satu kaedah paling asas untuk mengekstrak data daripada halaman HTML. Ia boleh memadankan data yang diperlukan berdasarkan corak tertentu dan mengekstrak maklumat yang diperlukan.
Sebagai contoh, jika kita ingin mengekstrak semua pautan imej daripada halaman HTML, kita boleh menggunakan ungkapan biasa berikut:
<img.*?src="([wW]*?)".*?>
Ungkapan biasa ini akan sepadan dengan semua teg img dan mengekstrak nilai daripada atribut src, iaitu pautan kepada imej.
Perlu diambil perhatian bahawa ungkapan biasa perlu dilaraskan mengikut situasi Jika struktur dan kandungan halaman HTML berubah, ungkapan biasa perlu ditulis semula.
2. Gunakan penghurai
Penghurai lebih fleksibel dan cekap daripada ungkapan biasa. Ia boleh menghuraikan pelbagai teg dan elemen dalam halaman HTML dan mengekstrak kandungan yang diperlukan.
Sebagai contoh, perpustakaan BeautifulSoup dalam Python ialah penghurai yang sangat mudah digunakan Ia boleh mencari teg khusus dalam halaman HTML dan mengekstrak data yang diperlukan daripadanya.
Berikut ialah kod contoh Python yang mudah, yang melaluinya semua hiperpautan boleh diekstrak daripada dokumen HTML:
from bs4 import BeautifulSoup
html = '''<html><body><div id="content"><a href="http://www.baidu.com">百度一下</a></div></body></html>'''
soup = BeautifulSoup(html, 'html.parser')
for link in soup.find_all('a'):
print(link.get('href'))Kod ini akan mengeluarkan: http://www .baidu.com.
3. Gunakan XPath
XPath ialah bahasa pertanyaan dalam dokumen XML dan juga boleh digunakan dalam halaman HTML. Ia memilih nod atau set nod tertentu dalam dokumen berdasarkan ungkapan laluan.
Banyak bahasa pengaturcaraan arus perdana kini mempunyai penghurai XPath terbina dalam Contohnya, perpustakaan standard terbina dalam xml.etree.ElementTree dalam Python menyediakan sokongan XPath.
Berikut ialah kod contoh Python yang mudah, yang melaluinya semua hiperpautan boleh diekstrak daripada dokumen HTML:
import xml.etree.ElementTree as ET
html = '''<html><body><div id="content"><a href="http://www.baidu.com">百度一下</a></div></body></html>'''
tree = ET.fromstring(html)
for link in tree.findall('.//a'):
print(link.get('href'))Kod ini akan mengeluarkan: http://www .baidu.com.
Ringkasan
Di atas memperkenalkan tiga kaedah mengekstrak data daripada halaman HTML Kesemuanya mempunyai kelebihan dan kekurangan masing-masing. Dalam aplikasi praktikal, kita perlu memilih kaedah yang paling sesuai mengikut situasi tertentu. Tidak kira kaedah yang digunakan, kita perlu mempunyai pemahaman tertentu tentang struktur dan bahasa penanda dalam halaman HTML, supaya kita boleh mengekstrak data yang kita perlukan dengan lebih tepat.
Atas ialah kandungan terperinci Beberapa cara untuk mengekstrak data daripada halaman HTML. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!