from bs4 import BeautifulSoup import csv import os import re # 设置文件夹路径 folder_path = 'C:/Users/test/Desktop/DIDItest' # 创建CSV文件 csv_file = open('output.csv', 'w', newline='') csv_writer = csv.writer(csv_file) csv_writer.writerow(['ID', '时间', '发送号码', '接收号码', '发送内容']) # 遍历文件夹下的所有文件 for root, dirs, files in os.walk(folder_path): for file in files: if file.endswith('.html'): file_path = os.path.join(root, file) # 打开文件并解析HTML源代码 with open(file_path, 'r', encoding='utf-8') as f: soup = BeautifulSoup(f, 'html.parser') # 将soup对象转换为字符串 html_string = str(soup) # 提取talkid、时间、发送号码、接收号码、信息类型和消息内容的正则表达式模式 pattern = r'\[talkid:(\d+)\](.*?)</span> 向 (.*?) 发送 (.*?):\[(.*?)\]' matches = re.findall(pattern, html_string)

时间: 2024-04-14 19:31:30 浏览: 103
PY

import reimport requestsfrom bs4 import BeautifulSoupimport t

这段代码是用于将指定文件夹下的HTML文件解析并提取其中的信息,然后将提取的信息写入CSV文件中。体步骤如下: 1. 导入需要的模块:`BeautifulSoup`用于解析HTML,`csv`用于操作CSV文件,`os`用于文件路径操作,`re`用于正则表达式匹配。 2. 设置文件夹路径:将需要解析的HTML文件所在的文件夹路径赋值给变量`folder_path`。 3. 创建CSV文件:使用`open`函数创建一个名为`output.csv`的CSV文件,并创建一个`csv.writer`对象用于写入数据。第一行写入CSV文件的标题行。 4. 遍历文件夹下的所有文件:使用`os.walk`函数遍历指定文件夹下的所有文件。 5. 判断文件是否为HTML文件:通过判断文件名的后缀是否为`.html`来确定是否为HTML文件。 6. 打开文件并解析HTML源代码:使用`open`函数打开文件,并使用`BeautifulSoup`将文件内容解析为HTML对象。 7. 将soup对象转换为字符串:使用`str()`函数将`soup`对象转换为字符串`html_string`,以便进行正则表达式匹配。 8. 提取信息并写入CSV文件:使用正则表达式模式提取talkid、时间、发送号码、接收号码、信息类型和消息内容,并使用`re.findall`函数匹配所有符合模式的内容。然后遍历匹配结果,提取相应的内容,并根据信息类型进行判断处理。最后将提取到的数据写入CSV文件。 请注意,这段代码中的路径、正则表达式模式等部分可能需要根据实际情况进行调整。
阅读全文

相关推荐

import os from bs4 import BeautifulSoup import re # 指定文件夹路径 folder_path = "C:/Users/test/Desktop/DIDItest" # 正则表达式模式 pattern = r'<body>(.*?)<\/body>' # 遍历文件夹中的所有文件 for root, dirs, files in os.walk(folder_path): for file in files: # 读取html文件 file_path = os.path.join(root, file) with open(file_path, "r", encoding="utf-8") as f: html_code = f.read() # 使用正则表达式匹配<body>标签内的数据 body_data = re.findall(pattern, html_code, re.DOTALL) # 剔除和() body_data = body_data[0].replace("", "").replace("()", "") # 使用正则表达式提取talk_id、时间、发送者ID和接收者ID matches = re.findall(r'\[talkid:(\d+)\](\d+年\d+月\d+日 \d+:\d+:\d+).*?<span.*?>(\d+)<.*?>(.*?)<', body_data) # 提取唯一ID,时间,发送号码和私聊群聊关键词 matches1 = re.findall(r'<span.*?hint-success.*?>(\d+)<.*?>', body_data) # match = re.search('(中发言|发送)\s(.*?)\s', body_data) # if match: # content = match.group(2) matches2 = re.findall('(中发言|发送)\s(.*?)\s', body_data) for match in matches2: content = match[1] soup = BeautifulSoup(content, 'html.parser') if soup.find('= 2: receive_id = matches1[3] # 处理匹配结果 for match in matches: talk_id = match[0] time = match[1] send_id = match[2] talk_type = match[3] # 进行时间格式转换,将time转换为"0000-00-00"格式 time = time.replace('年', '-').replace('月', '-').replace('日', '') talk_type = talk_type.replace('向', '私聊').replace('在群', '群聊') # 打印结果 print("Talk ID:", talk_id) print("Time:", time) print("Sender ID:", send_id) print("Receive_id:", receive_id) print("Talk_type:", talk_type) print("Content:",content) print("---")导入至csv

import os import re import csv from bs4 import BeautifulSoup # 设置html文件路径 folder_path = r'C:\Users\test\Desktop\DIDItest' output_file = r'C:\Users\test\Desktop\output.csv' # 提取html文件内所需要数据 def extract_html_info(file_path, csv_writer): with open(file_path, 'r', encoding='utf-8') as file: # 读取HTML源代码 html = file.read() soup = BeautifulSoup(html, 'html.parser') # 提取所有的标签 p_tags = soup.find_all('p') for p_tag in p_tags: # 提取ID、时间、发送号码、接收号码和发送内容 talk_id = soup.find('span', class_='hint-success').text.strip() time = soup.find('body').contents[0].strip() send_number = soup.find_all('span', class_='hint-success')[0].text.strip() receive_number = soup.find_all('span', class_='hint-success')[1].text.strip() content = soup.find('p').contents[0].strip() # 判断是否是音频 if '音频' in message: file_url = p_tag.find('a')['href'] csv_writer.writerow([talk_id, timestamp, send_number, receive_number, file_url]) else: csv_writer.writerow([talk_id, timestamp, send_number, receive_number, message]) # 创建CSV文件并写入数据 with open(output_file, 'w', newline='', encoding='utf-8') as file: csv_writer = csv.writer(file) csv_writer.writerow(['ID', '时间', '发送号码', '接收号码', '内容']) # 遍历文件夹及子文件夹,提取HTML文件信息 for root, dirs, files in os.walk(folder_path): for file in files: if file.endswith('.html'): file_path = os.path.join(root, file) extract_html_info(file_path, csv_writer) print("数据已成功写入CSV文件。")

网页内源代码模板如下: <html> <meta http-equiv="Content=-Type" content="text/html; charset=utf-8"> <head> </head> <body>[talkid:138031370]2014年4月20日 03:55:45 , 111222232323 发送 我们已经是好友了,开始聊天吧! () [talkid:138031371]2014年4月20日 04:45:45 , 111222123456 发送 音频 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.m4a"]>音频 () [talkid:138031372]2014年4月20日 04:55:45 , 111222123456 发送 图片 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.jpg"]>图片 () </body> </html> 利用python爬虫,打开C:/Users/test/Desktop/DIDItest文件夹下多个文件夹内的html文件源代码,并爬取源代码中的ID、时间、发送号码、接收号码、发送内容,如果发送内容不为文本,则提取文件所在链接地址,并将爬取的内容写入csv中

网页内源代码模板如下: <html> <meta http-equiv="Content=-Type" content="text/html; charset=utf-8"> <head> </head> <body>[talkid:138031370]2014年4月20日 03:55:45 , 111222232323 发送 我们已经是好友了,开始聊天吧! () [talkid:138031371]2014年4月20日 04:45:45 , 111222123456 发送 音频 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.m4a"]>音频 () [talkid:138031372]2014年4月20日 04:55:45 , 111222123456 发送 图片 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.jpg"]>图片 () </body> </html> 利用python爬虫,打开C:/Users/test/Desktop/DIDItest文件夹下多个文件夹内的html文件源代码,并将源代码转换为字符串,爬取源代码字符串中的ID、时间、发送号码、接收号码、信息类型、发送内容,如果发送内容不为文本,则提取文件所在链接地址,并将爬取的内容写入csv中,talkid提取[]中talkid:后的数字、时间精确至年月日时分秒、发送号码提取第一个 data-hint"">之间的数字,接收号码提取第二个data-hint"">,信息类型就提取 发送与:之间的文字,如果没有:则定义为文字

<html> <meta http-equiv="Content=-Type" content="text/html; charset=utf-8"> <head> </head> <body>[talkid:138031370]2014年4月20日 03:55:45 , 111222232323 发送 我们已经是好友了,开始聊天吧! () [talkid:138031371]2014年4月20日 04:45:45 , 111222123456 发送 音频 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.m4a"]>音频 () [talkid:138031372]2014年4月20日 04:55:45 , 111222123456 发送 图片 :[<ahref="files/f/f123fsasfsfsjdfrhf_n.jpg"]>图片 () [talkid:138031373]2014年4月20日 05:55:45 , 1112223234221 发送 我们已经是好友了,开始聊天吧! () [talkid:138031374]2014年4月20日 06:55:45 , 1112221359075 发送 我们已经是好友了,开始聊天吧! () </body> </html>利用python爬虫,打开C:/Users/test/Desktop/DIDItest文件夹下多个文件夹内的html文件源代码,并爬取源代码中的ID、时间、发送号码、接收号码、发送内容,如果发送内容不为文本,则提取文件所在链接地址,并将爬取的内容写入csv中

最新推荐

recommend-type

aiohttp-3.7.3-cp36-cp36m-win_amd64.whl.rar

python whl离线安装包 pip安装失败可以尝试使用whl离线安装包安装 第一步 下载whl文件,注意需要与python版本配套 python版本号、32位64位、arm或amd64均有区别 第二步 使用pip install XXXXX.whl 命令安装,如果whl路径不在cmd窗口当前目录下,需要带上路径 WHL文件是以Wheel格式保存的Python安装包, Wheel是Python发行版的标准内置包格式。 在本质上是一个压缩包,WHL文件中包含了Python安装的py文件和元数据,以及经过编译的pyd文件, 这样就使得它可以在不具备编译环境的条件下,安装适合自己python版本的库文件。 如果要查看WHL文件的内容,可以把.whl后缀名改成.zip,使用解压软件(如WinRAR、WinZIP)解压打开即可查看。 为什么会用到whl文件来安装python库文件呢? 在python的使用过程中,我们免不了要经常通过pip来安装自己所需要的包, 大部分的包基本都能正常安装,但是总会遇到有那么一些包因为各种各样的问题导致安装不了的。 这时我们就可以通过尝试去Python安装包大全中(whl包下载)下载whl包来安装解决问题。
recommend-type

基于Java中的swing类的图形化飞机游戏的开发练习.zip

基于Java中的Swing类开发的图形化飞机游戏练习包,为初学者和进阶学习者提供了实践Java GUI编程的绝佳机会。通过本资源,开发者可以利用Java语言和Swing库构建一个用户交互式的2D游戏,深入理解图形用户界面(GUI)编程和事件处理机制。该游戏的核心包括玩家飞机的控制、敌机的生成与移动、子弹发射与碰撞检测以及游戏胜负判定等逻辑。玩家通过鼠标移动控制己方飞机,实现平滑的移动和连续的子弹发射;而敌方飞机则按照一定算法无规律出现,随着游戏进程难度逐渐增加。游戏中还引入了特殊NPC,增加了额外的挑战和乐趣。为了提高游戏体验,游戏还包含了开始背景、结束背景以及背景音乐等元素。当玩家击毁敌机时,会有相应的得分计算和展示;若被敌机击中,则游戏结束并显示最终得分。此外,游戏还提供了查看历史前十记录、帮助和退出等选项,方便玩家进行游戏设置和了解游戏玩法。本资源适用于计算机科学与技术、软件工程、信息管理及相关专业的课程设计、毕业设计等环节,为学生提供实践操作的机会,帮助他们巩固Java编程知识,提高动手能力和发散思维。同时,也为希望学习不同技术领域的学习者提供了一个优秀的入门项目。
recommend-type

SQLite:SQLite数据库创建与管理.docx

SQLite:SQLite数据库创建与管理
recommend-type

【完整源码+数据库】SpringBoot 集成 Spring Security短信验证码登录

Spring Security 默认是账号和密码登录,现在是对 Spring Security 进行扩展,来实现短信验证码方式登录。 SpringBoot 集成 Spring Security短信验证码登录【完整源码+数据库】
recommend-type

去年和朋友一起做的java小游戏.游戏具体界面在readme中,游戏设计的uml图在design.pdf中.zip

本资源是一个Java小游戏项目,由我和我的朋友在去年共同开发。这个项目不仅包含了完整的游戏代码,还有详细的设计文档和UML图,适合作为学习和参考的素材。游戏的界面设计简洁明了,玩法有趣且富有挑战性,能够让玩家在游戏中体验到乐趣。在readme文件中,你可以找到游戏的具体界面展示,让你对游戏的外观有一个直观的了解。而design.pdf中则包含了游戏的UML图,详细展示了游戏的设计结构和各个模块之间的关系,对于理解游戏的整体架构非常有帮助。这个Java小游戏项目是一个非常好的学习资源,无论是对于初学者还是有一定经验的开发者来说,都可以通过这个项目来提升自己的编程技能和游戏设计能力。通过阅读代码和设计文档,你可以了解到如何构建一个功能完整的游戏,并且可以根据自己的需要进行修改和扩展。总之,这个Java小游戏项目是一个值得学习和探索的资源,希望对你有所帮助!
recommend-type

探索AVL树算法:以Faculdade Senac Porto Alegre实践为例

资源摘要信息:"ALG3-TrabalhoArvore:研究 Faculdade Senac Porto Alegre 的算法 3" 在计算机科学中,树形数据结构是经常被使用的一种复杂结构,其中AVL树是一种特殊的自平衡二叉搜索树,它是由苏联数学家和工程师Georgy Adelson-Velsky和Evgenii Landis于1962年首次提出。AVL树的名称就是以这两位科学家的姓氏首字母命名的。这种树结构在插入和删除操作时会维持其平衡,以确保树的高度最小化,从而在最坏的情况下保持对数的时间复杂度进行查找、插入和删除操作。 AVL树的特点: - AVL树是一棵二叉搜索树(BST)。 - 在AVL树中,任何节点的两个子树的高度差不能超过1,这被称为平衡因子(Balance Factor)。 - 平衡因子可以是-1、0或1,分别对应于左子树比右子树高、两者相等或右子树比左子树高。 - 如果任何节点的平衡因子不是-1、0或1,那么该树通过旋转操作进行调整以恢复平衡。 在实现AVL树时,开发者通常需要执行以下操作: - 插入节点:在树中添加一个新节点。 - 删除节点:从树中移除一个节点。 - 旋转操作:用于在插入或删除节点后调整树的平衡,包括单旋转(左旋和右旋)和双旋转(左右旋和右左旋)。 - 查找操作:在树中查找一个节点。 对于算法和数据结构的研究,理解AVL树是基础中的基础。它不仅适用于算法理论的学习,还广泛应用于数据库系统、文件系统以及任何需要快速查找和更新元素的系统中。掌握AVL树的实现对于提升软件效率、优化资源使用和降低算法的时间复杂度至关重要。 在本资源中,我们还需要关注"Java"这一标签。Java是一种广泛使用的面向对象的编程语言,它对数据结构的实现提供了良好的支持。利用Java语言实现AVL树,可以采用面向对象的方式来设计节点类和树类,实现节点插入、删除、旋转及树平衡等操作。Java代码具有很好的可读性和可维护性,因此是实现复杂数据结构的合适工具。 在实际应用中,Java程序员通常会使用Java集合框架中的TreeMap和TreeSet类,这两个类内部实现了红黑树(一种自平衡二叉搜索树),而不是AVL树。尽管如此,了解AVL树的原理对于理解这些高级数据结构的实现原理和使用场景是非常有帮助的。 最后,提及的"ALG3-TrabalhoArvore-master"是一个压缩包子文件的名称列表,暗示了该资源是一个关于AVL树的完整项目或教程。在这个项目中,用户可能可以找到完整的源代码、文档说明以及可能的测试用例。这些资源对于学习AVL树的实现细节和实践应用是宝贵的,可以帮助开发者深入理解并掌握AVL树的算法及其在实际编程中的运用。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【ggplot2绘图技巧】:R语言中的数据可视化艺术

![【ggplot2绘图技巧】:R语言中的数据可视化艺术](https://www.lecepe.fr/upload/fiches-formations/visuel-formation-246.jpg) # 1. ggplot2绘图基础 在本章节中,我们将开始探索ggplot2,这是一个在R语言中广泛使用的绘图系统,它基于“图形语法”这一理念。ggplot2的设计旨在让绘图过程既灵活又富有表现力,使得用户能够快速创建复杂而美观的图形。 ## 1.1 ggplot2的安装和加载 首先,确保ggplot2包已经被安装。如果尚未安装,可以使用以下命令进行安装: ```R install.p
recommend-type

HAL库怎样将ADC两个通道的电压结果输出到OLED上?

HAL库通常是指硬件抽象层(Hardware Abstraction Layer),它是一个软件组件,用于管理和控制嵌入式系统中的硬件资源,如ADC(模拟数字转换器)和OLED(有机发光二极管显示屏)。要将ADC读取的两个通道电压值显示到OLED上,你可以按照以下步骤操作: 1. **初始化硬件**: 首先,你需要通过HAL库的功能对ADC和OLED进行初始化。这包括配置ADC的通道、采样速率以及OLED的分辨率、颜色模式等。 2. **采集数据**: 使用HAL提供的ADC读取函数,读取指定通道的数据。例如,在STM32系列微控制器中,可能会有`HAL_ADC_ReadChannel()
recommend-type

小学语文教学新工具:创新黑板设计解析

资源摘要信息: 本资源为行业文档,主题是设计装置,具体关注于一种小学语文教学黑板的设计。该文档通过详细的设计说明,旨在为小学语文教学场景提供一种创新的教学辅助工具。由于资源的标题、描述和标签中未提供具体的设计细节,我们仅能从文件名称推测文档可能包含了关于小学语文教学黑板的设计理念、设计要求、设计流程、材料选择、尺寸规格、功能性特点、以及可能的互动功能等方面的信息。此外,虽然没有标签信息,但可以推断该文档可能针对教育技术、教学工具设计、小学教育环境优化等专业领域。 1. 教学黑板设计的重要性 在小学语文教学中,黑板作为传统而重要的教学工具,承载着教师传授知识和学生学习互动的重要角色。一个优秀的设计可以提高教学效率,激发学生的学习兴趣。设计装置时,考虑黑板的适用性、耐用性和互动性是非常必要的。 2. 教学黑板的设计要求 设计小学语文教学黑板时,需要考虑以下几点: - 安全性:黑板材质应无毒、耐磨损,边角处理要圆滑,避免在使用中造成伤害。 - 可视性:黑板的大小和高度应适合小学生使用,保证最远端的学生也能清晰看到上面的内容。 - 多功能性:黑板除了可用于书写字词句之外,还可以考虑增加多媒体展示功能,如集成投影幕布或电子白板等。 - 环保性:使用可持续材料,比如可回收的木材或环保漆料,减少对环境的影响。 3. 教学黑板的设计流程 一个典型的黑板设计流程可能包括以下步骤: - 需求分析:明确小学语文教学的需求,包括空间大小、教学方法、学生人数等。 - 概念设计:提出初步的设计方案,并对方案的可行性进行分析。 - 制图和建模:绘制详细的黑板平面图和三维模型,为生产制造提供精确的图纸。 - 材料选择:根据设计要求和成本预算选择合适的材料。 - 制造加工:按照设计图纸和材料标准进行生产。 - 测试与评估:在实际教学环境中测试黑板的使用效果,并根据反馈进行必要的调整。 4. 教学黑板的材料选择 - 传统黑板:传统的黑板多由优质木材和专用黑板漆制成,耐用且书写流畅。 - 绿色环保材料:考虑到环保和学生健康,可以选择无毒或低VOC(挥发性有机化合物)排放的材料。 - 智能材料:如可擦洗的特殊漆料,使黑板表面更加光滑,便于擦拭。 5. 教学黑板的尺寸规格 黑板的尺寸规格应根据实际教室空间和学生的平均身高来设计。一般来说,小学教室的黑板高度应设置在120cm至150cm之间,长度则根据教室墙壁的长度而定,但至少应保证可以容纳整页A4纸的书写空间。 6. 教学黑板的功能性特点 - 书写性能:黑板表面应具备良好的书写性能,使粉笔或马克笔的书写和擦拭都十分顺畅。 - 可视化辅助:集成的可视化工具,如辅助灯、放大镜等,可以帮助教师更有效地展示教学内容。 - 互动性设计:考虑增加互动性元素,例如磁性或可擦写的表面,可以提高学生参与度。 7. 教学黑板的互动功能 随着信息技术的发展,教学黑板可以集成多媒体技术,如触摸屏功能、电子白板功能、互联网接入等,实现与电子设备的互动,从而丰富教学手段,提高教学的趣味性和效率。 综上所述,本资源提供的设计装置文档,聚焦于一种小学语文教学黑板的设计,涵盖了从设计理念到功能实现的全方位内容,旨在通过创新的设计提升小学语文教学的品质和效率。