从HTML字符串中删除所有间距

Question

我试图执行删除所有空格和空格字符的代码，然后计算出现在页面中的前3个字母数字字符。我的问题是双重的。

1）我用于拆分的方法似乎没有工作，我不知道为什么它不工作。据我所知，加入然后拆分应该从html源代码中删除所有空格和空格，但它不是（请参阅下面的amazon示例中的第一个返回值）。

2）我并不十分熟悉most_common操作，当我测试我的代码的“http://amazon.com”我得到以下输出：

The top 3 occuring alphanumeric characters in the html of http://amazon.com 
: [(u' ', 258), (u'a', 126), (u'e', 126)] 

什么是ü意味着在返回most_common（3 ）值？

我当前的代码：

import requests 
import collections 


url = raw_input("please eneter the url of the desired website (include http://): ") 

response = requests.get(url) 
responseString = response.text 

print responseString 

topThreeAlphaString = " ".join(filter(None, responseString.split())) 

lineNumber = 0 

for line in topThreeAlphaString: 
    line = line.strip() 
    lineNumber += 1 

topThreeAlpha = collections.Counter(topThreeAlphaString).most_common(3) 

print "The top 3 occuring alphanumeric characters in the html of", url,": ", topThreeAlpha 

Answer 1

要照顾空白的，你要使用的HTMLParser.HTMLParser及其unescape方法的实例，以摆脱任何原始的HTML字符躺在附近。要计算字符数，您应该查看collections.Counter。

import requests 
from collections import Counter 
from HTMLParser import HTMLParser 

response = requests.get('http://www.example.com') 
responseString = response.text 

parser = HTMLParser() 
c = Counter(''.join(parser.unescape(responseString).split()) 

print(c.most_common()[:3])