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 8023 次点击这是一个创建于 3901 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