如何在Python 3.x中逐行打印网页

问题描述：

我只想打印简单网站的HTML文本。当我尝试打印时，我使用换行符（\n）以原始格式显示下面的文本，而不是实际的新行。如何在Python 3.x中逐行打印网页

这是我的代码：

import urllib.request 

page = urllib.request.urlopen('http://www.york.ac.uk/teaching/cws/wws/webpage1.html', data = None) 
pageText = page.read() 
pageLines = page.readlines() 
print(pageLines) 
print(pageText)

我已经试过各种其他的东西，发现一些东西。当我尝试索引pageText变量时，即使在将其转换为字符串后，它也找不到任何\n字符。如果我尝试使用代表\n和print()的新行自己复制原始文本，它会将\n字符转换为我想要的实际新行。问题是，我无法自己复制它而无法得到结果。

要告诉你我的意思是，这里有一些HTML片段：

原始文本：

b'<HMTL>\n<HEAD>\n<TITLE>webpage1</TITLE>\n</HEAD>\n<BODY BGCOLOR="FFFFFf" LINK="006666" ALINK="8B4513" VLINK="006666">\n

我想要什么：

b'<HMTL> 
<HEAD> 
<TITLE>webpage1</TITLE> 
</HEAD> 
<BODY BGCOLOR='FFFFFf' LINK='006666' ALINK='8B4513' VLINK='006666'>

我也用：

page = str(page) 
lines = page.split('\n')

它惊奇地没有做任何事。它只是把它打印成一行。

请帮帮我。我很惊讶，我发现没有任何工作适合我。即使在论坛上，也没有任何工作。

'用于页行：打印（line.decode（ 'UTF-8'））'或'打印（page.read（）进行解码（'UTF- 8'））' –

答

一种方法是使用pythons请求模块。您可以通过执行pip安装请求来获取它（如果您未使用virtualenv，则可能必须使用sudo）。

import requests 

res = requests.get('http://www.york.ac.uk/teaching/cws/wws/webpage1.html') 
if res.status_code == 200: # check that the request went through 
    # print the entire html, should maintain internal newlines so that when it print to screen it isn't on a single line 
    print(res.content) 

    #if you want to split the html into lines, use the split command like below 
    #lines = res.content.split('\n') 
    #print(lines)

为什么要经历所有这些麻烦，当一个人可以绕过它？ – bjd2385

因为OP不想循环它。他想要一段被格式化的html代码，并在视觉上显示换行符。另外，4行代码几乎不麻烦。为什么要循环打印内容，在打印res.content时打印内容和已格式化的块？ – reticentroot

答

您的字节字符串似乎在其中有硬编码\n。

例如，最初不能分割值。

In [1]: s = b'<HMTL>\n<HEAD>\n' 

In [2]: s.split('\n') 
--------------------------------------------------------------------------- 
TypeError         Traceback (most recent call last) 
<ipython-input-2-e85dffa8b351> in <module>() 
----> 1 s.split('\n') 

TypeError: a bytes-like object is required, not 'str'

所以，你str()它，但似乎并没有工作。

In [3]: str(s).split('\n') 
Out[3]: ["b'<HMTL>\\n<HEAD>\\n'"]

但是，如果你逃脱新线它确实有点工作。

In [4]: str(s).split('\\n') 
Out[4]: ["b'<HMTL>", '<HEAD>', "'"]

您可以使用原始字符串拆就

In [5]: for line in str(s).split(r'\n'): 
    ...:  print(line) 
    ...: 
b'<HMTL> 
<HEAD> 
'

或者，如果你不想领先b，则可以decode字节串入一个字符串对象，你可以再分裂。

In [9]: for line in s.decode("UTF-8").split('\n'): 
    ...:  print(line) 
    ...: 
<HMTL> 
<HEAD>

答

你得到的不是文本而是字节。如果你想要文本解码它。

b = b'<HMTL>\n<HEAD>\n<TITLE>webpage1</TITLE>\n</HEAD>\n<BODY BGCOLOR="FFFFFf" LINK="006666" ALINK="8B4513" VLINK="006666">\n' 
s = b.decode() # might need to specify an encoding 
print(s)

输出：

<HMTL> 
<HEAD> 
<TITLE>webpage1</TITLE> 
</HEAD> 
<BODY BGCOLOR="FFFFFf" LINK="006666" ALINK="8B4513" VLINK="006666">

如何在Python 3.x中逐行打印网页

相关推荐