作者uranusjr (←這人是超級笨蛋)
看板Python
標題Re: [問題] 關於網頁抓取內容
時間Mon Sep 1 23:25:34 2014
※ 引述《jenocool ()》之銘言:
: class Title(SGMLParser):
: name=[]
: def handle_data(self, text):
: if self.is_a and text !='庫存頁面' and text !='更多此站結果':
: self.name.append(text)
: for i in List.name:
: print i.decode('utf-8')
看得出來你和 Python 很不熟
不過身為一個寫 C++ 賺飯錢的人
我必須要先說你變數命名成這樣即使 C++ 也是不及格...
Anyway
常見的 markup language parser 基本上分兩種
Python 2 內建的 SGMLParser 屬於 SAX parser
這種 parser 是會把資料逐步讀進來, 當發生事情的時候就通知你
所以舉例而言, 當 SGMLParser 遇到 <a href="/">Foo<b>Bar</b>Baz</a>
會觸發的事件與傳入的參數依序會是
事件函式 attrs text
=========================================
start_a href => '/'
handle_data Foo
start_b
handle_data Bar
end_b
handle_data Baz
end_a
看懂了嗎?handle_data 是在每次遇到非 tag 資料時就輸出
其輸出的內容不是 tag pair (start 和 end) 裡面包住的東西
而是該 tag 直到下一個 tag (不論是否成對) 之間的內容
所以不是有 nested tag 會讓輸出換行
而是你的程式根本就把它們視為獨立的項目了
當你用 for 迴圈把它們印出時就會一行一行分開, 因為 print 會自動加換行
那要怎麼修呢?我的建議是砍掉重練
最主要的原因是 SGMLParser 根本連官方都早已不推薦使用
如果你一定要使用 SAX parser, 至少應該用 HTMLParser
https://docs.python.org/2.7/library/htmlparser.html
不過就你的輸入內容而言, 反正你是要爬整個頁面
那麼比較好的選擇其實是改用 DOM parser
這種 parser 是會把整個資料讀進來解析, 重組成完整的資料結構給你
在使用上會簡單很多(因為你不需要自己維護狀態)
Python 內建的 XML/HTML DOM parser 叫做 ElementTree
https://docs.python.org/2/library/xml.etree.elementtree.html
但是這個拿來爬 malformed HTML 容易出包
所以一般建議用第三方套件
我個人喜歡 lxml, 不過看起來你是在 Windows 上 (直覺), 應該不容易裝
所以還是試試前面有人推的 BeautifulSoup 好了
有文件有範例的, 而且還有中文, 應該可以自己看吧
http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
什麼?你連怎麼裝都不知道?什麼 easy_install 什麼 pip 都說找不到指令?
誰叫你要用 Python 2 呢, 請你改用 Python 3.4 吧
--
╱ ̄ ̄ ̄╲
▏
◢█◣ ▏
︻█︻█ ▏
成龍表示: 是喔...
′/ ‵ ▏
╰╯ █╱
ψQSWEET ◥︶█◤
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 218.161.94.175
※ 文章網址: http://www.ptt.cc/bbs/Python/M.1409585146.A.C6C.html
推 jenocool: 謝謝你的回應 其實我程式碼大部份是參考網路的 09/01 23:33
→ jenocool: 所以連變數名稱都沒有改變 .. 09/01 23:33
→ jenocool: 我測試後知道問題是在他把有TAG的地方分開了 09/01 23:34
→ jenocool: 但好像也是在函式內做的,所以似乎無從下手 09/01 23:34
→ jenocool: 本來想說試試看能不能紀錄說每個start到end之間有幾筆 09/01 23:35
→ jenocool: 再把這幾筆合併在一起,但這只是想法啦 沒做出來 .. 09/01 23:35
→ jenocool: 而我會用2版是上網查了一些教學說推薦用2版的 .. 09/01 23:36
→ jenocool: 看來我應該學3版的 .. 我會重新研究看看的 謝謝你 09/01 23:36
→ jenocool: 我不太了解的是 他是start跑完才跑end ? 09/01 23:37
→ jenocool: 還是跑一次start跑一次end 重複下去? 09/01 23:38
→ jenocool: 我想說程式是從上面執行到下面 所以是start完才end 09/01 23:38
→ jenocool: 不過對於這些函式的運作原理一頭霧水 .. 09/01 23:39
→ jenocool: 想請問一下 安裝BeautifulSoup後一直無法import 09/02 00:19
→ jenocool: 出現File "C:\Python34\bs4\__init__.py", line 175 09/02 00:19
→ jenocool: except Exception, e: 是哪邊出了問題嗎? 09/02 00:19
→ jenocool: 痾 ... 又莫名奇妙可以了 09/02 00:20
推 z101924512: import bs4 不行嗎? 09/02 09:59
推 jenocool: 原本不行 整個砍掉重灌3版就可以了 不過request裝失敗 09/02 16:23
→ uranusjr: 是 requests 吧 09/02 17:50
→ jenocool: 是requests沒錯 是出現同樣一個問題 09/02 19:42
→ swpoker: 我還是純字串爬比較實在 09/03 09:22
→ ccwang002: 你有 requests 安裝失敗的完整錯誤訊息嗎?我在 win OK 09/03 11:09
→ ccwang002: 另外是 BeautifulSoup4 喔,我在 win8.1 py3.4 都成功 09/03 11:13