sentence.split抓取网站页面

Question

我正在尝试创建一个从tv catchup网站获取html的节目，然后使用split函数将所有html数据拆分成频道名称和表中当前正在播放的节目，例如: BBC 1- 'program name‘。我只需要在我的第一个分裂功能后，如果有人可以帮助我做的帮助，将非常感谢。

更新-因为这是一个学校项目，我需要使用sentence.split函数，我很困惑从这一点开始我会做什么，如果有人能给我指出正确的方向，我需要拆分网站的下一阶段，等等？

import urllib2
import string


proxy = urllib2.ProxyHandler({"http" : "http://c99.cache.e2bn.org:8084"})

opener = urllib2.build_opener(proxy)

urllib2.install_opener(opener)

tvCatchup = urllib2.urlopen('http://www.TVcatchup.com')

html = tvCatchup.read()

firstSplit = html.split('<a class="enabled" href="/watch.html?c=')[1:]
for i in firstSplit:
    print i

secondSplit = html.split ('1" title="BBC One"></a></li><li class="v-type" style="color:#6d6d6d;">')[1:]

for i in secondSplit:
    print i

Answer 1

您通常会使用html parser (有关示例，请参阅Python HTMLParser )来完成此操作。(人们也经常使用regex)。使用split是可能的，但有点老生常谈。不管怎样，我还是做了。在最初将页面拆分成大段之后，下一步是循环遍历它们，并将它们拆分为较小的段，磨练您想要的信息。

big_parts = html.split('href="/watch.html?c=')[1:]
for n, part in enumerate(big_parts):
    small_part = part.split('</a>')[0]
    if n % 2:       # odd numbered segments
        programme = small_part.split('"> ')[1]
        print programme
    else:           # even numbered segments
        smaller_parts = small_part.split('"')
        number = smaller_parts[0]
        channel = smaller_parts[2]
        print number, channel, ':', 

它之所以有效，是因为找到href="/watch.html?c=和</a>之间的文本恰好标识了同时包含频道名称和节目名称的所有片段。然后，您可以使用标识字符序列(">和")来拆分这些段，以获得所需的确切信息。如果网站改变了它的HTML样式，这可能会停止工作。