开放原子开发者工作坊

屏幕抓取

想要抓取网页信息，可以用urllib和正则表达式做到：

from urllib import urlopen
import re

p = re.compile('<h3><a .*?><a .*? href="(.*?)">(.*?)</a>')
text = urlopen('http://python.org/community/jobs').read()
for url, name in p.findall(text):
    print '%s (%s)'%(name, url)

正则表达式的模式相对固定，下面我们介绍Tidy和XHTML解析

Tidy和XHTML解析

XHTML是HTML最新的方言，是XML的一种形式。

tidy 是什么

tidy是用来修复不规范且有些随意的HTML文档的工具。

XHTML和HTML区别

xhtml对显示关闭更加严格