Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentes Révision précédente | Prochaine révision Les deux révisions suivantes | ||
python:python_www [2019/11/16 12:59] Francesco Beretta [Récupérer des pages HTML et les transformer en XML] |
python:python_www [2019/11/17 12:00] Francesco Beretta [Récupérer des pages HTML et les transformer en XML] |
||
---|---|---|---|
Ligne 14: | Ligne 14: | ||
* LXML | * LXML | ||
* [[http://adrien.barbaresi.eu/blog/parsing-converting-lxml-html-tei.html|Parsing and converting HTML documents to XML/TEI format using Python’s lxml]] | * [[http://adrien.barbaresi.eu/blog/parsing-converting-lxml-html-tei.html|Parsing and converting HTML documents to XML/TEI format using Python’s lxml]] | ||
+ | * [[https://pythontips.com/2018/06/20/an-intro-to-web-scraping-with-lxml-and-python/|Tutoriel avec exemple]] | ||
* BeautifulSoup | * BeautifulSoup | ||
* [[https://programminghistorian.org/en/lessons/intro-to-beautiful-soup|Programming historian: Intro to Beautiful Soup]] | * [[https://programminghistorian.org/en/lessons/intro-to-beautiful-soup|Programming historian: Intro to Beautiful Soup]] | ||
+ | * Trafilatura | ||
+ | * Une nouvelle librairie en cours de développement, utile et clés en main, parfois un peu limitée dans les possitilités de choix (en fonction de la compléxité de la page HTML) | ||
+ | * [[https://github.com/adbar/trafilatura|Trafilatura sur GitHub]] | ||
+ | * | ||