Python 3 HTML 解析器

Question

我相信每个人都会抱怨，并告诉我查看文档（我有），但我只是不明白如何实现与以下相同：

curl -s http://www.maxmind.com/app/locate_my_ip | awk '/align="center">/{getline;print}'

到目前为止，我在 python3 中的所有内容是：

import urllib.request

f = urllib.request.urlopen('http://www.maxmind.com/app/locate_my_ip')

for lines in f.readlines():
    print(lines)

f.close()

说真的，任何建议（请不要告诉我阅读http://docs.python.org/release/3.0.1/library/html.parser.html，因为我已经学习python 1 天，很容易混淆）一个简单的例子会很棒！！！

Answer 1

# no need for .readlines here
for ln in f:
    if 'align="center">' in ln:
        print(ln)

但请务必阅读Python tutorial。

Answer 2

这是基于上述 larsmans 的回答。

f = urllib.request.urlopen('http://www.maxmind.com/app/locate_my_ip')
for line in f:
    if b'align="center">' in line:
        print(next(f).decode().rstrip())
f.close()

解释：

for line in f 遍历类文件对象 f 中的行。 Python 让您可以像遍历列表中的项目一样遍历文件中的行。

if b'align="center">' in line 在当前行中查找字符串 'align="center">'。 b 表示这是一个字节缓冲区，而不是一个字符串。 urllib.reqquest.urlopen 似乎将结果解释为二进制数据，而不是 unicode 字符串，而未经修饰的 'align="center">' 将被解释为 unicode 字符串。 （这就是上面TypeError的来源。）

next(f) 获取文件的下一行，因为您的原始 awk 脚本打印了 'align="center">' 之后的行而不是当前行。 decode 方法（字符串在 Python 中具有方法）获取二进制数据并将其转换为可打印的 unicode 对象。 rstrip() 方法去除任何尾随空格（即每行末尾的换行符。

Answer 3

我可能会使用正则表达式来获取 ip 本身：

import re
import urllib

f = urllib.request.urlopen('http://www.maxmind.com/app/locate_my_ip')
html_text=f.read()
re.findall(r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}',html_text)[0]

将打印格式的第一个字符串：1-3digits, period, 1-3digits,...

我认为您正在寻找该行，您可以简单地扩展 findall() 表达式中的字符串来处理它。 （有关更多详细信息，请参阅 python 文档以获取更多信息）。 顺便说一句，匹配字符串前面的 r 使其成为原始字符串，因此您不需要在其中转义 python 转义字符（但您仍然需要转义 RE 转义字符）。

希望有帮助