从网页中提取数据

| 我正在做一个学校项目，该项目需要从网页中提取数据。确切地说，我需要一个库或开源程序来从html / text数据中提取人类可读的内容。像网络浏览器一样呈现文本内容。 我知道用正则表达式解析html是从中提取文本的最差方法。 额外信息： 我需要它来计算文本文档之间的相似度。 任何帮助，将不胜感激。 谢谢
2020-06-12 3 条评论
分享

没有找到相关结果

    已邀请:

    羔磺

    我强烈建议您回答该问题的第一个答案，以使您避免使用正则表达式解析HTML。这个答案在说明为什么不应该做的方面比我做的要好得多，因此我谨此。 您还将发现您应该研究XML解析器，而不是尝试通过正则表达式“手动解析”（您将在所引用的问题及其答案中阅读该内容）。
    2020-06-12 0 0
    分享

    才脊烽馈低

    如果您只关心文本的相似性，则可以编写一个正则表达式以除去所有格式为“ 0”的HTML标签（也许首先删除所有“ 1”标签），然后将所有内容混入很长的一段中。完全不会对正则表达式造成不良影响；那就是他们在那里的目的。 我可能会推荐http://docs.python.org/library/xml.dom.minidom.html，但是恕我直言，该界面可能很尴尬。另外，您不需要访问层次结构，只需访问文本即可。否则，解析器将比正则表达式更好（否则这将是一个糟糕的主意）。
    2020-06-12 0 0
    分享
    为什么被折叠? 0 个回复被折叠

    要回复问题请先登录或注册

    或代码 OrCode.com 备案号：粤ICP备15020848号-1
    Escape time: 0.120197057724