Я создаю скребок с прокси-сервером, используя настройки регулятора. Анализ Html с re ужасен, поэтому мне нужно убедиться, что в конечном итоге строки не появятся. Как заменить все строки пробелом. Текущий код, который я должен был очистить проанализированные данные, был
print title.replace(',', '').replace("!", '').replace(":", '').replace(";", '').replace(str, '')
Часть str была тем, что я пробовал... это не сработало. Любые другие методы?
replace1 = range(0,46)+range(58,127)+[47] #Makes a list of all the
#ASCII characters values that you don't want it to show,
#http://www.asciitable.com/, this includes all the letters,
#and excludes all numbers and '.'
text = '<html><body><p>127.0.0.1</p></body></html>' #Test data.
tmp = ''
for i in range(len(text)-1): #this goes through each character in the text
... if not ord(text[i]) in replace1: #checks if that character
#ASCII value is in not the list of 'Blacklisted' ASCII values,
#then appends it to the tmp variable
... tmp += text[i]
print tmp
127.0.0.1
Если вы хотите извлечь все видимые числа из документа HTML, вы можете сначала использовать BeautifulSoup для анализа HTML-документа и извлечь из него текст. И после этого вы можете извлечь все числа из этих текстовых элементов:
from bs4 import BeautifulSoup
from urllib.request import urlopen
import re
# lets use the StackOverflow homepage as an example
r = urlopen('http://stackoverflow.com')
soup = BeautifulSoup(r)
# As we dont want to get the content from script related
# elements, remove those.
for script in soup(['script', 'noscript']):
script.extract()
# And now extract the numbers using regular expressions from
# all text nodes we can find in the (remaining) document.
numbers = [n for t in soup(text=True) for n in re.findall('\d+', t)]
numbers
будут содержать все числа, которые были видны в документе. Если вы хотите ограничить поиск только определенными элементами, вы можете изменить часть soup(text=True)
.