単純なPython正規表現を使用して、サッカー（サッカー）のWebページからいくつかの情報を取得したいと思います。問題は、最初のチャップ、ÄÄRITALOなどのプレイヤーが＆＃196;＆＃196; RITALO！として出てくることです。
つまり、htmlは、＆＃196;などの特殊文字にエスケープされたマークアップを使用します。
HTMLを正しいPython文字列に読み込む簡単な方法はありますか？XML / XHTMLの場合、それは簡単ですが、パーサーがそれを行います。
Nick Fortescue
質問する
1830 次
3 に答える
7
HTMLスクレイピングにはBeautifulSoupをお勧めします。また、次のように、HTMLエンティティを対応するUnicode文字に変換するように指示する必要があります。
>>> from BeautifulSoup import BeautifulSoup
>>> html = "<html>ÄÄRITALO!</html>"
>>> soup = BeautifulSoup(html, convertEntities=BeautifulSoup.HTML_ENTITIES)
>>> print soup.contents[0].string
ÄÄRITALO!
（標準のコーデックモジュールにこのためのコーデックが含まれていると便利ですが "some_string".decode('html_entities')、残念ながら含まれていません！）
編集： 別の解決策：Python開発者のFredrik Lundh（特にelementtreeの作成者）は 、彼のWebサイトでHTMLエンティティの区切りを解除する機能を備えています。これは、10進数、16進数、および名前付きエンティティで機能します（BeautifulSoupは16進数では機能しません）。
于 2008-09-10T00:50:19.747 に答える
2
BeautifulSoupを使ってみてください。それはトリックを実行し、同様に動作するように適切にフォーマットされたDOMを提供するはずです。
このブログエントリは、ある程度の成功を収めているようです。
于 2008-09-10T00:48:19.893 に答える
0
自分で試したことはありませんが、試したことはありますか
http://zesty.ca/python/scrape.html？
それはあなたが望むことをするであろうメソッドhtmldecode（text）を持っているようです。
于 2008-09-10T00:32:23.987 に答える