推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
如何用 Python 将若干 html 文件提取正文，并转换成 mobi 或 txt 格式？
hatni · 2015-04-14 17:43:18 +08:00 · 7418 次点击这是一个创建于 3510 天前的主题，其中的信息可能已经有所发展或是发生改变。
新手看不懂 Beautiful Soup文档，大家可以提供一些思路吗？ 我不是伸手党
 |
1
staticor 2015-04-14 18:16:41 +08:00  1
我也不熟悉bs4, 楼主可以尝试一下先查看html文档, 熟悉熟悉基本结构.
<head> <body> <td>... 什么的 然后就把html当成一个很长的字符串, 用正则分割处理一下. 这个搞利落的咱们再找找更优雅的方式吧 |
|
2
staticor 2015-04-14 18:28:12 +08:00
source = open(file1, 'r').read()
print(source.split('<title>')[1].split('</title>')[0]) 这里没用正则, 就是str的最基本的split函数. 希望有所帮助 (我也是抛砖引玉了) |
 |
3
saki 2015-04-14 19:41:22 +08:00 1
如果不复杂的话，直接用HTMLPaser就可以了，可以提取指定标签
https://docs.python.org/2/library/htmlparser.html 栗子: http://www.pythonclub.org/python-files/htmlparser 只要<body> 提取出来，随便你写成什么格式 |
 |
4
icedx 2015-04-14 20:16:48 +08:00 via Android 1
Out=[]
Pass=0 for char in page: if Pass=0: if char=='<': Pass=1 continue else: if char=='>' Pass=0 continue else: Out.append(Char) else: pass Fatch=''.join(Out) 既然楼主不是伸手党 补全缩进就可以用了 |
 |
5
tinybvjk 2015-04-14 21:50:21 +08:00 1
readability提供了提取正文的api，返回的html可以使用amazon kindlegen生成mobi格式
|
|
6
icedx 2015-04-14 22:24:02 +08:00
不对 我那个不能用...
|
|
7
icedx 2015-04-14 22:35:14 +08:00
|
 |
8
ztmark 2015-04-14 23:01:00 +08:00 1
|
 |
9
xiaoboost 2015-04-14 23:07:28 +08:00 1
mobi？想要在kindle上看的是吗？
我以前用正则提取的，最后程序把正文存成docx文件，发到自己kindle邮箱 mobi是亚马逊自己的格式，不开源的，貌似没有现成的制作方法吧 |
 |
10
crccw 2015-04-15 01:42:07 +08:00 via Android
BeautifulSoup挺好用的啊。。
|
 |
11
endoffight 2015-04-15 07:42:22 +08:00 via Android
更直观的话，我给楼主推荐
pyquery |
|
12
endoffight 2015-04-15 07:47:04 +08:00 via Android
|
 |
13
metrue 2015-04-15 08:47:32 +08:00
http://get.jobdeer.com/122.get 可以参考实现。
|
 |
14
XcodeUser 2015-04-15 08:58:03 +08:00
学下xpath，然后用lxml不就挺好挺快吗
|
 |
15
hatni OP @icedx 感谢你的代码，刚刚试了下打开乱码，手动添加了网页编码 可行。我经管系，自学python，看了点Html CSS,陆续几个月始终没入门JavaScript。
|
|
16
hatni OP @endoffight pyquery ,这个需要懂Jquery,计划准备学，
|
 |
17
BOYPT 2015-04-15 09:41:28 +08:00
@hatni pyquery 和jquery可没什么关系，共同个的是，pyquery和jquery都实现了类似的css选择器的功能。
|
 |
18
MayLava 2015-04-15 09:44:14 +08:00
pyquery+html2text 直接转成markdown格式
|
|
19
hatni OP 多谢各位的帮助，我只刚看完《Learn Python the Hard Way》。Beautiful Soup 、xpath 、xml 、 pyquery 、正则表达式，上面各种 新手应该按照怎样的难易顺序来学。
|
 |
21
Loop680 2015-04-15 10:15:14 +08:00
我之前做了一个提取PDF内容转换成TXT的小工具，用的是正则做的。
|
 |
22
fburst 2015-04-15 16:27:53 +08:00 1
这个我试过很多种方案，
beautfulsoup虽然没用过，但是应该是效果最好的。 其他的那些库容错率太低了，少个引号什么的都不行。比如<body>标签，html5标准里是可以不闭合的，也解析不出。 有瑕疵的网页还是比较多的，就算163什么的也免不了。 目前方案是selenium直接对接firefox。通过firefox的解析器解析html，然后js直接提取词条。这样firefox解析成什么样，我得到的就是什么。 |
Select Language