Introdução geral
magic-html é uma biblioteca Python projetada para simplificar o processo de extração do conteúdo da região do corpo do HTML. Seja lidando com estruturas complexas de HTML ou com páginas da Web simples, essa biblioteca tem como objetivo fornecer uma interface conveniente e eficiente para os usuários. Ela suporta extração multimodal, vários layoutextractor, incluindo artigos, fóruns e artigos da Microsoft, e também suporta a conversão de extração de fórmulas de látex.
Lista de funções
- Extrair o conteúdo da área do corpo do HTML
- Suporte para extração multimodal
- Layout de artigos de suporte, fóruns e postagens do weibo
- Suporte à extração e conversão de fórmulas de látex
- Saída personalizada em texto simples ou formato markdown
Usando a Ajuda
montagem
Para instalar o magic-html, use o comando pip:
tubulação instalar magic-html
fazer uso de
Depois de instalado, ele pode ser usado com o seguinte código:
de magic_html importação Extrator geral
Extrator de inicialização #
extrator = Extrator geral()
# Exemplo de conteúdo HTML
html = """
Exemplo de domínio
<body
Domínio de exemplo</h1
Este domínio é para uso em exemplos ilustrativos em documentos. Você pode usar este domínio na literatura sem coordenação prévia ou solicitação de Você pode usar esse domínio na literatura sem coordenação prévia ou pedido de permissão.
Mais informações. """ # Extração de dados dados = extrator.extrato(html) impressão(dados)
Português do Brasil