提取/ HTML从

刮价值观，我想创建从一个城市的网站上发布这个可怕的HTML抓住两个值的脚本：提取/ HTML从

558.35

和

66.0

这些是水库的详细信息，每周更换一次。

我不确定什么是最好的工具，grep？

感谢您的建议，想法！

<table> 
    <tbody> 
     <tr> 
      <td>&nbsp;Currently:</td> 
      <td>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 558.35</td> 
     </tr> 
     <tr> 
      <td>&nbsp;Percent of capacity:</td> 
      <td>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;66.0%</td> 
     </tr> 
    </tbody> 
</table>

来源

2015-12-23 Dan

如果你使用PHP，那么你可以使用DOM文档。 – PHPglue

这是你希望改进的技能吗？然后学习python-scrapy，beautifulSoup等。 Python拥有一个健康的网页抓取生态系统，但是随着html变得更加巴洛克式，你必须保持这一技能的最新才能有意义。如果你只是想抓住这两个值，而且多年来不会做任何其他事情，那么发布“xmllint”或“xmlstarlet”解决方案的奖励。如果真的这么简单，你可能会发现一个awk解决方案，但是一旦数据证明比你在这里指出的更复杂，所有的投注都关闭;-)祝你好运。 – shellter

谢谢，这些都是我将要探索的解决方案！ – Dan

如果你正在使用正则表达式，你可以使用SED

sed -nr 's#^[ ]*<td>.*;[ ]?([0-9]+[.][0-9]+)[%]?</td>[ ]*$#\1#p' my_html_file

的HTMLParser的如Python的模块BeautifulSoup或JavaScript的方法是一种更安全的选择

编辑：

这里是一个使用javascript..results的代码片段记录到控制台并弹出一个警告框以显示结果

var values=""; 
 
for(i=1;i<document.getElementsByTagName('td').length;++i){ 
 
values+=" "+document.getElementsByTagName('td')[i].innerHTML.replace(/&nbsp;|Percent of capacity:|[ %]/g,"") 
 
} 
 
alert(values); 
 
console.log(values);

<table> 
 
    <tbody> 
 
     <tr> 
 
      <td>&nbsp;Currently:</td> 
 
      <td>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; 558.35</td> 
 
     </tr> 
 
     <tr> 
 
      <td>&nbsp;Percent of capacity:</td> 
 
      <td>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;66.0%</td> 
 
     </tr> 
 
    </tbody> 
 
</table>

来源

2015-12-23 03:46:58 repzero

这真的很酷，和工作！谢谢！ – Dan

回答

相关问题