python解析html提取数据，并生成word文档

最新推荐文章于 2024-06-01 08:02:42 发布

yukiMark

最新推荐文章于 2024-06-01 08:02:42 发布

阅读量2.1w

点赞数 3

分类专栏： python

本文链接：https://blog.csdn.net/how8586/article/details/39399217

版权

本文记录使用Python实现从网页抓取内容并生成Word文档的过程。首先介绍了安装python-docx和setuptools的步骤，然后提到html解析使用SGMLParser，URL内容获取依赖urllib和urllib2。通过这个功能，可以方便地将网页数据整理成Word文档。

摘要由CSDN通过智能技术生成

今天试着用ptyhon做了一个抓取网页内容，并生成word文档的功能，功能很简单，做一下记录以备以后用到。

生成word用到了第三方组件python-docx，所以先进行第三方组件的安装。由于windows下安装的python默认不带setuptools这个模块，所以要先安装setuptools这个模块：

1、在python官网上找到　https://bootstrap.pypa.io/ez_setup.py　　，把代码保存到本地并执行:　 python ez_setup.py

2、下载python-docx 　(https://pypi.python.org/pypi/python-docx/0.7.4)，下载完成后解压并进入到　　XXX\python-docx-0.7.4　安装python-docx :　python setup.py install

这样python-docx就安装成功了，可以用它来操作word文档了，word文档的生成参考的这里https://python-docx.readthedocs.org/en/latest/index.html

html解析用到的是sgmllib里的SGMLParser　　url内容的获取用到的是urllib、urllib2

代码如下：

# -*- coding: cp936 -*-
from sgmllib import SGMLParser
import os
import sys
import urllib
import urllib2
from docx import Document
from docx.shared import Inches
import time

##获取要解析的url
class GetUrl(SGMLParser):
    def __init__(self):
        SGMLParser.