这个项目使用XML模板从网站中提取数据，几乎不需要代码
webparsa的Python项目详细描述
网页
这个项目使用XML模板从网站中提取数据，几乎不需要代码。在
XML模板用于模拟HTML本身的结构，允许您制作直观的选择器。 你可以直接复制和粘贴网站代码，并指定哪些属性是你想要的变量，它会 工作。在
存储单个值
注意：对于图像，请使用<p_img>标记，因为img标记在HTML中不能有子级。
要从元素的一部分提取某个值，请使用<value>标记。
值标签需要两件事：
- 名称：要存储在其中的变量的名称
- （内部文本）：要存储的属性。在
存储值列表
要将类似div的列表导入为python列表，请用<list>标记封装标记的单个div。
列表标记只需要一个属性：
- 名称：要存储在其中的变量的名称 不必是值的直接父级！在
存储值dict
要将一些值组合为dict，请将这些值包装在<dict>标记中。
需要一个name属性，如<list>和<value>。
不必是值的直接父级！在
可能的属性：
- 在自我属性（any attribute）：来自HTML标记的属性
- 在自我.text：内部文本
- 在自身元素：beauthulsoup元素
过滤
要选择带有HTML的元素，只需编写HTML元素。在
例如，编写<div class='foo'>将选择任何具有foo类的div。在
要过滤任何属性，请在元素中使用“filter.*”作为属性。在
- 在索引=N过滤器：此元素必须位于select（element）[N]
- 在过滤器.regex.*=正则表达式：此属性必须与某个正则表达式匹配。示例：过滤器.regex.text=.+, 过滤器.regex.attrs。数据=\d+。在
- 在过滤器.功能=*：您为我们定义一个函数，在构造函数期间作为关键字参数传递。然后，我们传递一个包含属性（'text'、'element'、'index'和另一个名为'attrs'的字典）的dict，如果应该拒绝节点，那么函数将返回False。在
后处理
在任何标记中，您都可以添加属性“after”以在任何<list>, <dict>, or <value>的值上运行。在
例如
<div id=number>
<value name=number after=int>self.text</value>
</div>
将对从返回的值调用用户定义函数int自我.text.
这适用于XML树中的任何节点，包括HTML元素。
您也可以在<list>和<value>标记中调用这个after。在
注意：在列表中，此函数将在整个列表中调用，而不是在单个元素上调用！
若要定义“int”函数，请将其作为Parsa（（structure），int=function）传入构造函数
可能有用的方法是使用一个名为df的函数，它从列表元素生成pandas数据帧。在
默认后处理函数：
- （用户定义函数）
- .<；…>；：运行类型（值）。<；…>；（值）。本质上是价值。<；…>；（）。示例：“.strip”->；x.strip（）
- 内置函数，如int、float、str、list、dict等。模块内置的任何属性。在
其他后处理功能：
- 删除逗号：x.replace（“，”，“”）
- 拆分逗号：x.split（“，”）
- 拆分：x.split（“”）
您可以通过在函数名之间添加“+”来使用函数组合。 例如： 删除逗号+int：“1000000”->；“1000000”->；1000000。在
如果您想使用多个参数，我建议您编写一个包装器函数或使用functools.partial生成一个partial。在
所需内容
默认情况下，所有选择器都必须存在才能存储数据点。
但是，如果希望数据点是可选的，请将选择器包装在<unrequired>中。在
示例
华盛顿-邮政编码.xml
希望这足以解释它是如何工作的！ 这个得到W阿辛顿邮报头条新闻
{pr2}$华盛顿-后py
{pr}$许可证
麻省理工学院标准许可证。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
