python识别屏幕内容_python之屏幕抓取
Tidy 和 HTML 解析
Beautiful Soup
屏幕抓取：是通过程序下载⽹页并从中提取信息的过程。
python怎么读取桌面上的文件简单来见：下载数据并对其进⾏分析
思路：可使⽤urllib来获取⽹页的HTML代码，再使⽤正则表达式从中提取信息。
通过查看该⽹站的源代码，可发现类似于下⾯的链接中到名称和URL：
如下：简单的屏幕抓取程序
quest importurlopenimportre
p= repile('')
text= urlopen('/jobs').read().decode()for url,name inp.findall(text):print('{}({})'.format(name,url))
以上代码需要跟进的地⽅：
1.正则表达式⼀点都不容易理解。如果HTML代码和查询更复杂，那正则表达式就难以理解和维护
2.⽆法处理独特的HTML内容；⽐如CDATA部分和实符字体（如&）
正则表达式依赖于HTML代码的细节，并不是抽象的结构；意味着只要⽹页的结构发⽣⼀点点变化，那这个程序可能就⽆效了。
针对基于正则表达式的⽅法存在的问题，可有两种解决⽅案：
（1）结合使⽤程序Tidy（⼀个python库）和XHTML解析
(2) 使⽤专为屏幕抓取⽽设计的Beautiful Soup
Tidy 和XHTML解析
Tidy是⽤于对格式不正确且不严谨的HTML进⾏修复的⼯具，它⾮常聪明，能够修复很多常见的错误，从⽽完成⼤量你不愿意做的⼯作。它还提供了极⼤的配置空间，让你能够开 / 关各种校正。
当然，Tidy并不能修复HTML⽂件存在的所有问题，但确实能够确保⽂件是格式良好的（即所有元素都
嵌套正确），这让解析⼯作容易很多。
获取Tidy
有多个⽤于python的Tidy库包装器，⾄于哪个最新并⾮固定不变的，使⽤pip来出可供使⽤的包装器：
$pip search tidy
可选择安装PyTidyLib：
$ pip install pytidylib
并⾮⼀定要安装Tidy库包装器。如果你是⽤的是unix或者linux系统，很可能已经默认安装了命令⾏版Tidy。此外，不管使⽤的是什么系统，都可以从Tidy⽹站上获取可执⾏的⼆进制版本，有了⼆进制版本之后，就可以使⽤模块subprocess（或其他包含open函数的模块）来运⾏Tidy程序了。
如果python不到tidy，可能需要提供这个可执⾏⽂件的完整路径。
XHTML 和 HTML的主要区别在于，XHTML⾮常严格，要求显式地结束所有的元素；
因此，在HTML可通过（使⽤标签
）开始另⼀个段落来结束当前段落，但在XHTML中，必须先（使⽤标签
）显式地结束当前段落。这让XHTML解析起来容易得多，因为你能清除地直到何时进⼊或者离开各种元素，
XHTML的另⼀个优点：它是⼀种XML⽅⾔，可⾷⽤各种出⾊的⼯具（XPath）来处理
要求对Tidy⽣成的格式良好的XHTML进⾏解析，⼀种⾮常简单的⽅式就是使⽤标准库模块html.parser中的HTMLParser类待补充～

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。