Python 3 HTML 解析器

Question

我确信每个人都会抱怨，并告诉我查看文档（我有），但我只是不明白如何实现与以下内容相同的效果：

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

到目前为止，我在 python3 中拥有的只是：

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，有什么建议吗？ （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天了，很容易混淆）一个简单的例子会很棒！

Answer 1

这是基于上面拉斯曼斯的回答。

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()

说明：

for line in f 迭代类文件对象 f 中的行。 Python 允许您迭代文件中的行，就像迭代列表中的项目一样。

if b'align="center">' in line 查找字符串 'align="center">'在当前行中。 b 表示这是一个字节缓冲区，而不是一个字符串。看来 urllib.reqquest.urlopen 将结果解释为二进制数据，而不是 unicode 字符串，并且未经修饰的 'align="center">' 将被解释为一个 unicode 字符串。 （这是上面 TypeError 的来源。）

next(f) 获取文件的下一行，因为您的原始 awk 脚本在 'align=" 之后打印了该行中心">'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() 方法会去除所有尾随空白（即每行末尾的换行符）。

Answer 2

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

但请务必阅读 Python 教程。

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]

它将打印格式的第一个字符串：1-3位数字，句点，1-3位数字，...

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这个问题。 （有关更多详细信息，请参阅 python 文档）。
顺便说一句，匹配字符串前面的 r 使其成为原始字符串，因此您不需要转义其中的 python 转义字符（但您仍然需要转义 RE 转义字符）。

希望有帮助