WebProg-2012/Gyakorlat3
A MathWikiből
A lap korábbi változatát látod, amilyen Kkovacs (vitalap | szerkesztései) 2012. szeptember 20., 10:08-kor történt szerkesztése után volt.
Bevezetés
- Ami mindenképp kelleni fog a python file-od elejére:
from lxml import etree
- Az lxml dokumentációját megtaláljátok ezen az oldalon.
- Valószinüleg kelleni fog még, hogy a karakter kódolás jó legyen:
import sys reload(sys) sys.setdefaultencoding("iso-8859-2")
- A webrõl html oldalt a következõ függvénnyel tölthetünk le egy string-be:
require urllib
def get_html(uri): u = urllib.urlopen(uri) return u.read()
- Utána simán beírhatjuk:
html_str = get_html("http://www.google.com")
- Hogy elkezdhessünk bányászni, a következõket kell megtennünk:
import StringIO html = etree.parse(StringIO.StringIO(html_str),parser)
- Ezek után használhatjuk az xpath függvényt, a következõ módon:
html.xpath("/html/body/p")
- ahol a /html/body/p az útvonal a html-fában.
- Az xpath függvény egy listát fog visszaadni, így vagy [0], [1] stb.-vel kérdezzétek le az elemeit, vagy egy for ciklussal menjetek végig rajta.
- Ha már lekértétek valamelyik elemét, akkor a text adattagjában van a benne tárolt szöveg, pl:
h.xpath("/html/body/p")[1].text
- ez lekéri a második html/body-n belüli p-nek a szövegét
- Az xpath-ban a következõket használhatjátok még:
- /html//p - a html-en belül bármilyen útvonalon elérhetõ p-k
- /html/body/* - a közvetlenül /html/body alatti összes csúcs
- /*/*/ul - a 2 hosszú úton elérhetõ ul-ek
- "//a[@href='http://math.bme.hu']" - bármilyen útvonalon elérhetõ 'a'-k amiknek a href attribútuma a 'http://math.bme.hu'