Semalt Jispjega Kif Estratt id-Dejta meħtieġa minn Websajts HTML

Ammont kbir ta 'informazzjoni ppreżentata fix-xibka hija meqjusa bħala "mhux strutturata" minħabba li mhix organizzata kif suppost. Il-websajts HTML huma differenti fil-mod li fihom ikun hemm dokumenti organizzati, u t-test ippreżentat fid-dokumenti huwa strutturat fil-kodiċi HTML sottostanti.

Hemm tliet metodi ewlenin ta 'estrazzjoni ta' dejta minn websajts HTML:

  • Iffrankar tat-test fuq paġna tal-web għall-kompjuter tiegħek;
  • Kitba tal-kodiċi għall-estrazzjoni tad-data;
  • Użu ta 'għodda speċjali ta' estrazzjoni;

1. Kif estratt HTML mill-websajt mingħajr kodifikazzjoni

Tista ' tinbarax kontenut ta' paġna tal-web billi tuża l-passi deskritti hawn taħt:

Estrazzjoni tat-test biss

Wara li tiftaħ paġna web li fiha t-test li trid, ikklikkja dritt u agħżel "Issejvja l-Paġna As," jew "Issejvja l-għażla". Ikteb isem għall-fajl fil-qasam "Isem tal-Fajl" u mill-menù drop-down "Save As Type", agħżel "Paġna tal-Web, HTML biss." Ikklikkja l-buttuna "Issejvja" u stenna ftit sekondi.

It-test kollu fuq dik il-paġna huwa estratt u ffrankat bħala fajl HTML. L-għażliet oriġinali tal-ifformattjar tal-paġna jibqgħu intatti, u tista 'teditja l-kontenut f'tali edituri tat-test bħal Notepad.

Estrazzjoni ta 'paġna web sħiħa

Agħżel "Save as" jew "Save Page As" għażla fil-menu "File". Imbagħad, ikklikkja "Paġna tal-Web, Imla" mill-menù drop-down "Save as Type". Wara li tikklikkja "Save", it-test u l-immaġini se jiġu estratti mill-paġna u jiġu salvati kull fejn trid. It-test jitqiegħed f'fajl HTML waqt li l-immaġini jinħażnu f'folder.

2. Estrazzjoni ta 'HTML minn websajt bl-użu ta' kodifikazzjoni

Tista 'taħdem direttament ma' fajls HTML billi tuża għodda speċjali. Ukoll, tista 'toħloq kodiċi biex tneħħi t-tags HTML kollha u żżomm it-test li jinsab fil-fajls HTML billi tuża XPath jew espressjoni regolari. Uħud mill-iktar lingwi ta ’programmazzjoni popolari għal dan il-kompitu jinkludu Python, Java, JS, Go, PHP u NodeJs.

3. Uża għodod ta 'estrazzjoni ta' dejta tal-web

Jekk trid biss estratt fajls HTML minn websajt mingħajr ma tikteb linja waħda ta 'kodiċi jew tevita t-tortura tal-metodu ta' kopja u pejst, uża għodda tal- brix tal-web . Fil-fatt, hemm ħafna għodda utli li jistgħu jaħsdu l-informazzjoni meħtieġa minn websajt u mbagħad jibdluha fil-format strutturat. Ipprova ftit għodda tal-brix , u definittivament issib dik li hija l-iktar xierqa għall-bżonnijiet tal-iskreppjar tiegħek.

mass gmail