我试图读取并处理网页在Python具有像在它下面几行:阅读网页与Python
<div class="or_q_tagcloud" id="tag1611"></div></td></tr><tr><td class="or_q_artist"><a title="[Artist916]" href="http://rateyourmusic.com/artist/ac_dc" class="artist">AC/DC</a></td><td class="or_q_album"><a title="[Album374717]" href="http://rateyourmusic.com/release/album/ac_dc/live_f5/" class="album">Live</a></td><td class="or_q_rating" id="rating374717">4.0</td><td class="or_q_ownership" id="ownership374717">CD</td><td class="or_q_tags_td">
我目前只在艺术家的名字感兴趣(AC/DC)和专辑名称(Live)。我可以使用libxml2dom来读取和打印它们,但我无法弄清楚如何区分链接,因为每个链接的节点值都是None。
一个显而易见的方法是一次读取输入行,但有没有更聪明的方式来处理这个html文件,以便我可以创建两个单独的列表,其中每个索引匹配另一个或具有此信息的结构?
import urllib
import sgmllib
import libxml2dom
def collect_text(node):
"A function which collects text inside 'node', returning that text."
s = ""
for child_node in node.childNodes:
if child_node.nodeType == child_node.TEXT_NODE:
s += child_node.nodeValue
else:
s += collect_text(child_node)
return s
f = urllib.urlopen("/home/x/Documents/rym_list.html")
s = f.read()
doc = libxml2dom.parseString(s, html=1)
links = doc.getElementsByTagName("a")
for link in links:
print "--\nNode " , artist.childNodes
if artist.localName == "artist":
print "artist"
print collect_text(artist).encode('utf-8')
f.close()
你能告诉我们你目前的代码吗?也许你需要明确引用anchor的firstChild? (文本节点) – 2010-08-09 15:14:21
我没有看到一次读取输入行有什么问题。 – katrielalex 2010-08-09 15:25:26
只需要注意一下,如果你的for循环可以重复多次:创建新字符串就像地狱一样昂贵(它们是不可变的 - 你最终每次都会创建一个新对象),并且每次迭代都会执行一次。最好追加到列表中,然后在循环后加上'''.join()'列表。它可以使戏剧性的加速。 – Daenyth 2010-08-09 20:21:11