更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

当前位置: 首页 > 技术文章 >
如何使抓取的HTML规范化
发布时间:2011-05-11 来源:原创 浏览:

在数据采集时,处理不规范的HTML页面是件令人头疼的事。因为不规范的HTML页面往往会引起xpath解析失败,造成得不到正确的数据。

了解Firebug的人都知道,它的HTML视图下有一个巧妙的功能,能够自动修复不规范的HTML,以规范的形式展现。

例如,如下的一个不规范的HTML页面:

<table>
<tr>
  <td>name
  <td>age
<tr>
  <td>redice
  <td>25
</table>
 
我们看一下它在Firebug下的显示内容:
 
 
有没有能实现类似Firebug这种规范化HTML的Python库呢?
 
有。经过查找、测试,最终发现PyTidyLib库可以很好地实现这个功能。
 
 
下面是PyTidyLib库的一个测试:
 
>>> html = open('c:/html_invalid.html').read()
>>> print html
<table>
<tr>
<td>name
<td>age
<tr>
<td>redice
<td>25
</table>
>>> from tidylib import tidy_document
>>> document, errors = tidy_document(html)
>>> print document
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
    "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
  <head>
    <title></title>
  </head>
  <body>
    <table>
      <tr>
        <td>
          name
        </td>
        <td>
          age
        </td>
      </tr>
      <tr>
        <td>
          redice
        </td>
        <td>
          25
        </td>
      </tr>
    </table>
  </body>
</html>
 
 

 

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。现在改用国产的友言。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。