html-content-extraction

0熱度

1回答

我得到了錯誤從我的Apache日誌：在GetUrl.php非法串偏移「名」的行855： PHP的警告這裏是頁面代碼： function find_header_by_name($header_name) { if (!$this - > headers_received) { $this - > GetUri - > errors[] = 「Error looking up

1熱度

1回答

將vba的值插入html列表

我已經能夠使用vba的.value方法處理列表中的數據。但是，當試圖更新一個特定的值時，它填充的值爲空，不會讓我改變它。我試圖將日期推入此字段，但日期取自列表中的日曆旁邊的日曆，日曆將日期放入框中。當使用dom資源管理器時，我只需更改選項值並更改字段中的日期。當我使用value方法改變這個相同的選項時，它填充空白字段。有任何想法嗎？ HTML code of page Picture of lis

0熱度

1回答

剝離並獲取頁面上每個嵌套div的文本內容

我從URL獲取了HTML。我想實現的只是在div內獲取純文本內容。任何想法，如果它可以實現。的結構將類似於此 <div class="first"> <div class="second"> Some content inside second div <div class="third"> Some more content inside third

0熱度

1回答

獲取網站

的源碼我用下面的代碼從SharePoint 2010網站獲得源碼： try { WebRequest req = HttpWebRequest.Create("myLink"); req.Method = "GET"; req.Credentials = System.Net.CredentialCache.DefaultNetworkCredentials;

1熱度

1回答

最佳可見內容提取器可用

因此，我的應用程序需要來自給定URL的可見內容，例如文本部分，無html無頁眉或頁腳數據。截至目前，我使用beautifulsoup和boilerpipe獲得相同的。但在極少數情況下，我沒有獲得足夠的數據或正確的數據。所以想知道是否還有其他競爭對手，編程語言不是障礙。

1熱度

1回答

Django-haystack搜索靜態內容

我的Django 1.10應用程序使用Haystack + Elastic Search提供搜索功能。它適用於模型數據，但我需要使其適用於靜態內容（基本上是HTML文件）。我正在考慮從HTML文件（BeautifulSoup？）中刪除內容並將它們保存到數據庫，這樣可以對模板內容進行索引。，我發現這個模塊，不正是我需要的，但似乎棄用： https://github.com/trapeze/hay

2熱度

1回答

如何從任何網頁只提取主要內容？（沒有頁腳，菜單欄，導航欄，頁腳，側欄，麪包屑）

我使用此代碼提取了全身內容。但我不知道要刪除導航欄，頁腳，側欄，breadcrumb。任何人都可以建議我如何做到這一點？ foreach($dom->getElementsByTagName("body")->item(0)->childNodes as $child) { $bodycontent .= $dom->saveHTML($child); }

0熱度

2回答

使用WWW :: Mechanize刮目錄下的多個頁面 - Perl

我正在開發一個項目到網站，將每次採訪發現here轉化爲一個HTML準備好的文檔，稍後轉儲到一個DB中，該DB將自動更新我們的網站最新的內容。你可以看到我當前的網站抓取腳本的一個例子，我問了一個有關前一天的問題：WWW::Mechanize Extraction Help - PERL 問題我似乎無法環繞我的頭是知道如果我現在想要完成的是甚至可能。因爲我不想猜想當一個新的採訪發佈時，我希望能夠抓取具

0熱度

1回答

如何從HTML代碼中正確提取網址？

我在電腦上的.txt文件中保存了網站的HTML代碼。我想用下面的代碼來提取這個文本文件中的所有URL： def get_net_target(page): start_link=page.find("href=") start_quote=page.find('"',start_link) end_quote=page.find('"',start_quote+1)

0熱度

1回答

從鵝提取HTML文本（除一個以外的所有工作）

我使用Goose從各種URL提取標題和主文本。它適用於大多數網址，只有一個特定的荷蘭新聞網站。任何想法這裏怎麼了？具體問題的URL是here. 我的代碼： g = Goose() content_url = g.extract(url=url) allcontent = content_url.cleaned_text print allcontent 我期待整個文本，但奇怪的是我剛剛