句子。拆分获取网站页面

Question

我正在尝试创建一个程序，从tv Cathup网站获取html，然后使用split函数将所有html数据拆分为频道名称和表中当前正在播放的节目，例如：BBC 1-'program name'。我只是需要帮助我做什么后，我的第一次分裂功能，如果有人可以帮助，将不胜感激。你知道吗

更新-因为这是一个学校的项目，我需要使用句子。拆分功能，我很困惑，我会做什么，从这一点开始，如果有人可以指出我的正确方向，下一阶段的网站，我需要分裂等？你知道吗

import urllib2
import string


proxy = urllib2.ProxyHandler({"http" : "http://c99.cache.e2bn.org:8084"})

opener = urllib2.build_opener(proxy)

urllib2.install_opener(opener)

tvCatchup = urllib2.urlopen('http://www.TVcatchup.com')

html = tvCatchup.read()

firstSplit = html.split('<a class="enabled" href="/watch.html?c=')[1:]
for i in firstSplit:
    print i

secondSplit = html.split ('1" title="BBC One"></a></li><li class="v-type" style="color:#6d6d6d;">')[1:]

for i in secondSplit:
    print i

Answer 1

您通常会使用html parser（参见Python HTMLParser的示例）来实现这一点。（人们也经常使用^{}）。使用split是可能的，但是有点不太成熟。。。我还是做了。在最初将页面分割成大段之后，下一步是循环浏览这些页面，并将它们分割成更小的段，磨练您想要的信息。你知道吗

big_parts = html.split('href="/watch.html?c=')[1:]
for n, part in enumerate(big_parts):
    small_part = part.split('</a>')[0]
    if n % 2:       # odd numbered segments
        programme = small_part.split('"> ')[1]
        print programme
    else:           # even numbered segments
        smaller_parts = small_part.split('"')
        number = smaller_parts[0]
        channel = smaller_parts[2]
        print number, channel, ':', 

它之所以有效，是因为在href="/watch.html?c=和</a>之间查找文本时，恰好标识了同时包含频道名和节目名的所有段。然后可以使用识别字符序列（">和"）来分解这些段，以获得所需的确切信息。如果网站改变了它的HTML样式，这可能会停止工作。你知道吗