蟒蛇HTML标签提取

Question

它是如何将有可能做到以下几点：

1. 通过HTML页面（最好是通过全域扫描（www.python.org），并提取所有

H1 H2 ... HN标签

并将所有的标题到一个文件正确的顺序：

开始与H1 比H2

，直到我们达到一个新的H1

Answer 1

由于需要扫描整个网站，因此您可能需要查看pycurl以抓取要抓取的文件。尽管如此，请注意不要击中相当于DoS攻击的网站。

Answer 2

使用BeautifulSoup或PyQuery。