Как парсить данные из HTML и XML в Python
Узнайте, как парсить данные из HTML и XML в Python с помощью популярных библиотек BeautifulSoup и lxml, с примерами кода!
Парсинг данных из HTML и XML является распространенной задачей в области Python-разработки. Мы рассмотрим основные инструменты и подходы для решения этой задачи.
BeautifulSoup
BeautifulSoup — это популярная библиотека для парсинга HTML и XML документов. Она предоставляет простой и удобный интерфейс для извлечения данных из веб-страниц.
Установка
Для установки библиотеки BeautifulSoup выполните следующую команду:
⚙️
lxml — это еще одна мощная библиотека для парсинга HTML и XML документов. Она предоставляет быстрый и эффективный парсер, основанный на C-библиотеках libxml2 и libxslt.
Установка
Для установки библиотеки lxml выполните следующую команду:
⚙️
Узнайте, как парсить данные из HTML и XML в Python с помощью популярных библиотек BeautifulSoup и lxml, с примерами кода!
Парсинг данных из HTML и XML является распространенной задачей в области Python-разработки. Мы рассмотрим основные инструменты и подходы для решения этой задачи.
BeautifulSoup
BeautifulSoup — это популярная библиотека для парсинга HTML и XML документов. Она предоставляет простой и удобный интерфейс для извлечения данных из веб-страниц.
Установка
Для установки библиотеки BeautifulSoup выполните следующую команду:
pip install beautifulsoup4
lxmllxml — это еще одна мощная библиотека для парсинга HTML и XML документов. Она предоставляет быстрый и эффективный парсер, основанный на C-библиотеках libxml2 и libxslt.
Установка
Для установки библиотеки lxml выполните следующую команду:
pip install lxml
#theory // Just PythonPlease open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Scikit-learn - это широко используемая библиотека для машинного обучения на Python. Она построена поверх NumPy и SciPy и предлагает широкий спектр инструментов для создания и оценки моделей машинного обучения. Scikit-learn отлично подходит для построения традиционных моделей машинного обучения, таких как линейная регрессия, деревья решений и кластеризация k-средних.
Как использовать scikit-learn, чтобы построить простую модель линейной регрессии представлено на картинке
Ставится командой ⚙️
#theory // Just Python
Как использовать scikit-learn, чтобы построить простую модель линейной регрессии представлено на картинке
Ставится командой ⚙️
pip install -U scikit-learn
Документация и примеры кода здесь#theory // Just Python
Асинхронное программирование является подходом в разработке программного обеспечения, который позволяет одновременно выполнять несколько задач без блокирования основного потока выполнения. В Python это достигается с помощью асинхронной библиотеки asyncio и ключевых слов async и await.
Преимущества асинхронного программирования
Асинхронное программирование позволяет улучшить производительность приложения, особенно при работе с вводом-выводом (I/O), таким как чтение и запись файлов, обращение к базам данных и веб-сервисам.
Преимущества асинхронного программирования включают:
Основы асинхронного программирования в Python
Для использования асинхронного программирования в Python, необходимо знакомство с ключевыми словами async и await:
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Keras - это высокоуровневая библиотека нейронных сетей для Python.
Она создана поверх TensorFlow и предназначена для того, чтобы максимально упростить построение и обучение нейронных сетей.
Keras отлично подходит для построения моделей глубокого обучения и обладает широким спектром инструментов для построения и обучения моделей.
Как использовать Keras для построения простой нейронной сети представлено на картинке
Ставится командой⚙️
#theory // Just Python
Она создана поверх TensorFlow и предназначена для того, чтобы максимально упростить построение и обучение нейронных сетей.
Keras отлично подходит для построения моделей глубокого обучения и обладает широким спектром инструментов для построения и обучения моделей.
Как использовать Keras для построения простой нейронной сети представлено на картинке
Ставится командой
pip install keras-core
Документация и примеры кода здесь#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Pandas - это библиотека для обработки и анализа данных на Python.
Она широко используется для работы со структурированными данными и отлично подходит для очистки, преобразования и анализа данных. Pandas имеет широкий спектр инструментов для работы с данными, включая объекты dataframe и series, которые похожи на таблицы и столбцы в SQL.
Как использовать Pandas для загрузки и изучения набора данных представлены на фотографии
Ставится командой⚙️
#theory // Just Python
Она широко используется для работы со структурированными данными и отлично подходит для очистки, преобразования и анализа данных. Pandas имеет широкий спектр инструментов для работы с данными, включая объекты dataframe и series, которые похожи на таблицы и столбцы в SQL.
Как использовать Pandas для загрузки и изучения набора данных представлены на фотографии
Ставится командой
pip install cython
Документация и примеры кода здесь#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Что такое веб-скрапинг и как его использовать в Python
Изучите основы веб-скрапинга и примеры его использования в Python с помощью популярных библиотек BeautifulSoup и Scrapy.
Веб-скрапинг — это процесс извлечения данных из веб-страниц путем скачивания и анализа их содержимого. В Python для этого используются различные библиотеки, такие как BeautifulSoup и Scrapy. В этой статье мы рассмотрим основы веб-скрапинга и примеры его использования на языке Python.
Зачем нужен веб-скрапинг?
Веб-скрапинг может использоваться для различных целей, таких как:
💖 сбор данных для анализа (например, статистика посещаемости сайтов)
💖 мониторинг цен на товары и услуги
💖 создание баз данных контента для исследований
💖 автоматизация рутинных задач, связанных с работой в интернете
Основные библиотеки для веб-скрапинга в Python
💖 BeautifulSoup: удобная библиотека для парсинга HTML и XML документов. Позволяет извлекать данные из веб-страницы с помощью селекторов, таких как CSS и XPath.
💖 Scrapy: мощный фреймворк для веб-скрапинга, который позволяет создавать и настраивать «пауков» (специальные программы для автоматического обхода и скачивания веб-страниц).
Веб-скрапинг — это мощный инструмент для работы с данными в интернете. Python предлагает множество библиотек для упрощения этого процесса, таких как BeautifulSoup и Scrapy. Начните с изучения основ и постепенно переходите к более сложным задачам, чтобы стать опытным веб-скрапером.
В примере на картинке мы используем requests для скачивания HTML-кода страницы, затем передаем его в BeautifulSoup для парсинга. После этого мы находим все элементы <article> и извлекаем из них текст заголовка (элемент <h2>).
#theory // Just Python
Изучите основы веб-скрапинга и примеры его использования в Python с помощью популярных библиотек BeautifulSoup и Scrapy.
Веб-скрапинг — это процесс извлечения данных из веб-страниц путем скачивания и анализа их содержимого. В Python для этого используются различные библиотеки, такие как BeautifulSoup и Scrapy. В этой статье мы рассмотрим основы веб-скрапинга и примеры его использования на языке Python.
Зачем нужен веб-скрапинг?
Веб-скрапинг может использоваться для различных целей, таких как:
Основные библиотеки для веб-скрапинга в Python
Веб-скрапинг — это мощный инструмент для работы с данными в интернете. Python предлагает множество библиотек для упрощения этого процесса, таких как BeautifulSoup и Scrapy. Начните с изучения основ и постепенно переходите к более сложным задачам, чтобы стать опытным веб-скрапером.
В примере на картинке мы используем requests для скачивания HTML-кода страницы, затем передаем его в BeautifulSoup для парсинга. После этого мы находим все элементы <article> и извлекаем из них текст заголовка (элемент <h2>).
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Gensim - это библиотека для неконтролируемого тематического моделирования и анализа сходства документов на Python.
Она широко используется для таких задач, как обобщение текста, кластеризация документов и тематическое моделирование. Gensim обладает широким спектром инструментов для работы с текстовыми данными, включая word2vec и LDA (скрытое распределение Дирихле).
Как использовать Gensim для обучения модели word2vec представлено на фото
Ставится командой pip install --upgrade gensim
Документация и примеры кода здесь
#theory // Just Python
Она широко используется для таких задач, как обобщение текста, кластеризация документов и тематическое моделирование. Gensim обладает широким спектром инструментов для работы с текстовыми данными, включая word2vec и LDA (скрытое распределение Дирихле).
Как использовать Gensim для обучения модели word2vec представлено на фото
Ставится командой pip install --upgrade gensim
Документация и примеры кода здесь
#theory // Just Python
Что такое регулярные выражения и как их использовать в Python
Регулярные выражения являются мощным инструментом для работы с текстом. Они позволяют искать, заменять и манипулировать строками на основе определенных шаблонов.
Некоторые основные символы и конструкции в регулярных выражениях:
▪️
▪️
▪️
▪️
▪️
▪️
▪️
▪️
▪️
Регулярные выражения (или regex) — это последовательность символов, которая определяет шаблон поиска в тексте. Они используются в различных языках программирования, включая Python.
В Python для работы с регулярными выражениями используется модуль re.
Вот некоторые основные функции этого модуля:
▪️ re.search(pattern, string) — ищет в строке первое совпадение с шаблоном и возвращает объект Match или None, если совпадений нет
▪️ re.findall(pattern, string) — возвращает список всех непересекающихся совпадений с шаблоном в строке
▪️ re.sub(pattern, replacement, string) — заменяет все совпадения с шаблоном в строке на указанную замену
#theory // Just Python
Регулярные выражения являются мощным инструментом для работы с текстом. Они позволяют искать, заменять и манипулировать строками на основе определенных шаблонов.
Некоторые основные символы и конструкции в регулярных выражениях:
. (точка) — соответствует любому одному символу* (звездочка) — указывает, что предыдущий символ может повторяться 0 или более раз+ (плюс) — указывает, что предыдущий символ может повторяться 1 или более раз{n} — указывает, что предыдущий символ должен повториться ровно n раз[abc] — соответствует любому символу из указанных в квадратных скобках[^abc] — соответствует любому символу, кроме указанных в квадратных скобках\d — соответствует любой цифре\w — соответствует любому буквенно-цифровому символу\s — соответствует любому пробельному символуРегулярные выражения (или regex) — это последовательность символов, которая определяет шаблон поиска в тексте. Они используются в различных языках программирования, включая Python.
В Python для работы с регулярными выражениями используется модуль re.
Вот некоторые основные функции этого модуля:
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Что такое Django и Flask
Django и Flask являются двумя популярными веб-фреймворками на языке программирования Python. Они используются для создания веб-приложений и сайтов различной сложности.
Django – это высокоуровневый веб-фреймворк Python, который придерживается принципа «batteries included» (все в комплекте). Это значит, что Django предоставляет множество инструментов и компонентов прямо из коробки, таких как административный интерфейс, систему аутентификации пользователей, поддержку работы с базами данных и многое другое.
Flask – это микро-фреймворк для создания веб-приложений на Python. В отличие от Django, Flask является более легковесным и гибким решением, которое предоставляет минимальный набор функциональности из коробки. Расширение функционала возможно с помощью внешних модулей и библиотек.
Сравнение Django и Flask
🔸 Скорость разработки:
Django предоставляет больше готовых решений, что может ускорить процесс разработки, особенно для сложных проектов. Flask же предлагает большую гибкость и контроль над кодом, что может быть важно для создания небольших и средних приложений.
🔸 Обучение:
Flask имеет более низкий порог вхождения для новичков благодаря своей простоте и минимализму. Django может потребовать больше времени на изучение из-за обилия компонентов и настроек.
🔸 Производительность:
Flask обычно предпочтителен для проектов с высокими требованиями к производительности из-за своей легковесности. Однако, оба фреймворка могут быть оптимизированы для достижения высокой производительности при правильной настройке.
Выбор между Django и Flask во многом зависит от ваших предпочтений, опыта и требований к проекту. Если вам нужен мощный, всеобъемлющий фреймворк с большим количеством готовых решений, то Django может быть вашим выбором.
Если же вам важна гибкость, простота и возможность контролировать каждый аспект вашего приложения, то Flask будет лучшим решением.
#theory // Just Python
Django и Flask являются двумя популярными веб-фреймворками на языке программирования Python. Они используются для создания веб-приложений и сайтов различной сложности.
Django – это высокоуровневый веб-фреймворк Python, который придерживается принципа «batteries included» (все в комплекте). Это значит, что Django предоставляет множество инструментов и компонентов прямо из коробки, таких как административный интерфейс, систему аутентификации пользователей, поддержку работы с базами данных и многое другое.
Flask – это микро-фреймворк для создания веб-приложений на Python. В отличие от Django, Flask является более легковесным и гибким решением, которое предоставляет минимальный набор функциональности из коробки. Расширение функционала возможно с помощью внешних модулей и библиотек.
Сравнение Django и Flask
Django предоставляет больше готовых решений, что может ускорить процесс разработки, особенно для сложных проектов. Flask же предлагает большую гибкость и контроль над кодом, что может быть важно для создания небольших и средних приложений.
Flask имеет более низкий порог вхождения для новичков благодаря своей простоте и минимализму. Django может потребовать больше времени на изучение из-за обилия компонентов и настроек.
Flask обычно предпочтителен для проектов с высокими требованиями к производительности из-за своей легковесности. Однако, оба фреймворка могут быть оптимизированы для достижения высокой производительности при правильной настройке.
Выбор между Django и Flask во многом зависит от ваших предпочтений, опыта и требований к проекту. Если вам нужен мощный, всеобъемлющий фреймворк с большим количеством готовых решений, то Django может быть вашим выбором.
Если же вам важна гибкость, простота и возможность контролировать каждый аспект вашего приложения, то Flask будет лучшим решением.
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
PrettyTable – это Python-модуль, который облегчает создание таблиц в коде. На его основе можно легко создавать таблицы из результатов запросов или из любых других данных. Библиотека была разработана Дайвом Льюисом и имеет удобный и понятный синтаксис, который позволяет создавать с помощью пары строк кода красивые таблицы.
PrettyTable позволяет форматировать таблицы, выравнивать данные, добавлять заголовки и многое другое. Это делает эту библиотеку полезным инструментом для анализа, презентации и отображения данных на экране.
PrettyTable позволяет очень просто и быстро настраивать таблицы в Python. Библиотека отлично подходит для работы с большим объемом данных, которые необходимо представить в удобочитаемом формате. Она позволяет легко форматировать таблицы и менять их визуальное отображение. Вместе с тем PrettyTable предоставляет дополнительные функции, такие как сортировка, фильтрация и настройка цвета, которые сохраняются при переносе данных в другие программы.
Ставится командой⚙️
Документация и примеры кода здесь
#theory // Just Python
PrettyTable позволяет форматировать таблицы, выравнивать данные, добавлять заголовки и многое другое. Это делает эту библиотеку полезным инструментом для анализа, презентации и отображения данных на экране.
PrettyTable позволяет очень просто и быстро настраивать таблицы в Python. Библиотека отлично подходит для работы с большим объемом данных, которые необходимо представить в удобочитаемом формате. Она позволяет легко форматировать таблицы и менять их визуальное отображение. Вместе с тем PrettyTable предоставляет дополнительные функции, такие как сортировка, фильтрация и настройка цвета, которые сохраняются при переносе данных в другие программы.
Ставится командой
pip install prettytable Документация и примеры кода здесь
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Как работать с наследованием в Python?
Наследование — одна из основных концепций объектно-ориентированного программирования, которая позволяет создавать новые классы на основе существующих, переиспользуя их свойства и методы. В Python наследование реализуется довольно просто и интуитивно. В этой статье мы разберем основы наследования в Python на примерах.
Основная идея наследования заключается в том, что один класс (потомок) может наследовать атрибуты и методы другого класса (родителя). Это позволяет избежать дублирования кода и упрощает изменения и обновления.
Python поддерживает множественное наследование, то есть один класс может наследовать свойства и методы сразу от нескольких классов-родителей. Для этого достаточно указать их имена через запятую в скобках после имени класса-потомка.
Важные функции и атрибуты
В контексте наследования в Python есть несколько важных функций и атрибутов, которые могут пригодиться:
💖 isinstance(obj, class) — проверяет, является ли объект экземпляром указанного класса или его потомка;
💖 issubclass(class1, class2) — проверяет, является ли class1 подклассом class2;
💖 super() — позволяет вызывать методы родительского класса из класса-потомка.
Наследование в Python — мощный инструмент, который позволяет создавать гибкие и масштабируемые программы.
#theory // Just Python
Наследование — одна из основных концепций объектно-ориентированного программирования, которая позволяет создавать новые классы на основе существующих, переиспользуя их свойства и методы. В Python наследование реализуется довольно просто и интуитивно. В этой статье мы разберем основы наследования в Python на примерах.
Основная идея наследования заключается в том, что один класс (потомок) может наследовать атрибуты и методы другого класса (родителя). Это позволяет избежать дублирования кода и упрощает изменения и обновления.
Python поддерживает множественное наследование, то есть один класс может наследовать свойства и методы сразу от нескольких классов-родителей. Для этого достаточно указать их имена через запятую в скобках после имени класса-потомка.
Важные функции и атрибуты
В контексте наследования в Python есть несколько важных функций и атрибутов, которые могут пригодиться:
Наследование в Python — мощный инструмент, который позволяет создавать гибкие и масштабируемые программы.
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
NEAT-Python — это библиотека, реализующая NEAT на языке программирования Python. Она обеспечивает легкую и гибкую возможность использования эволюционного подхода NEAT для разнообразных задач, включая классификацию.
NEAT также позволяет удобно определять морфологические модели нейронов. Эти модели могут быть смоделированы с помощью интерфейса с симулятором NEURON [Carnevale2004] или могут быть проанализированы двумя классическими методами:
▫️ (i) метод разделения переменных [Major1993] для
получения ядер импеданса в виде суперпозиция экспоненциальных величин
▫️ (ii) метод Коха для вычисления импедансов с линеаризованными ионными каналами аналитически в частотной области [Koch1985].
Кроме того, NEAT реализует фреймворк нейронного дерева оценки [Wybo2019] и связанный с ним симулятор C++ для анализа независимости от субъединиц.
Ставится командой
#theory // Just Python
NEAT также позволяет удобно определять морфологические модели нейронов. Эти модели могут быть смоделированы с помощью интерфейса с симулятором NEURON [Carnevale2004] или могут быть проанализированы двумя классическими методами:
получения ядер импеданса в виде суперпозиция экспоненциальных величин
Кроме того, NEAT реализует фреймворк нейронного дерева оценки [Wybo2019] и связанный с ним симулятор C++ для анализа независимости от субъединиц.
Ставится командой
pip install neatdend
Документация и примеры кода здесь#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from The Экономист
Для участия в розыгрыше нужно:
1. Быть подписанным на The Экономист, Доллар по тридцать и Чё по трендам?
2. Нажать «Участвую!» под этим постом
Бот случайным образом выберет победителей 2 июня в 18:00. Айфоны за свой счёт застрахуем и отправим в любую точку мира. Всем удачи!
Please open Telegram to view this post
VIEW IN TELEGRAM
Opyrator — инструмент, позволяющий превратить любую вашу Python функцию в полноценный микросервис с веб API, статистикой обращений, графиками и тд.
Это позволяет пользователям развертывать сервисы и получать к ним доступ через HTTP API или интерактивный пользовательский интерфейс
Ставится командой ⚙️
Документация и примеры кода здесь.
#theory // Just Python
Это позволяет пользователям развертывать сервисы и получать к ним доступ через HTTP API или интерактивный пользовательский интерфейс
Ставится командой ⚙️
pip install opyratorДокументация и примеры кода здесь.
#theory // Just Python
Scrapy - это быстрый высокоуровневый фреймворк для веб-сканирования и веб-скрейпинга. Сканируйте веб-сайты и извлекайте структурированные данные с их страниц. Его можно использовать для: широкий спектр целей, от интеллектуального анализа данных до мониторинга и автоматизированного тестирования.
Основными возможностями Scrapy являются:
🔴 автоматическая обработка запросов и ответов с использованием асинхронности;
🔴 извлечение данных из HTML и XML документов с помощью XPath и CSS-селекторов;
🔴 эффективная обработка веб-форм и управление сессиями;
🔴 расширяемость за счёт огромного количества плагинов, упрощающих разработку и настройку веб-пауков.
Ставится командой⚙️
Документация и примеры кода здесь
#theory // Just Python
Основными возможностями Scrapy являются:
Ставится командой
pip install scrapy Документация и примеры кода здесь
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Celery - Celery нужна для работы с фоновыми задачами. Она позволяет выстраивать их в очередь и распределять выполнение между разными процессорами и устройствами. Это помогает уменьшить нагрузку на процессор и выполнять трудоемкие задачи без ущерба производительности. Больше всего Celery полезна для разработчиков приложений.
Очереди задач используются в качестве механизма для распределения работы между потоками или машины.
Celery общается через сообщения, обычно через брокера для посредничества между клиентами и работниками. Чтобы инициировать задачу, клиент ставит message в очереди, затем брокер доставляет сообщение рабочему процессу.
Ставится командой⚙️
Документация и примеры кода здесь
#theory // Just Python
Очереди задач используются в качестве механизма для распределения работы между потоками или машины.
Celery общается через сообщения, обычно через брокера для посредничества между клиентами и работниками. Чтобы инициировать задачу, клиент ставит message в очереди, затем брокер доставляет сообщение рабочему процессу.
Ставится командой
pip install celery Документация и примеры кода здесь
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM
Turtle - библиотека в Python, предоставляет простой и интуитивно понятный способ рисования графики и создания простых анимаций с помощью черепашьей графики (turtle graphics).
Она включает различные функции для управления черепашкой и рисования различных графических фигур.
В библиотеке turtle есть возможность изменять цвет линий и заливки для черепашьего рисунка с помощью методов color() и fillcolor().
Это эффективный и хорошо зарекомендовавший себя способ взаимодействия с учащимися концепций программирования и взаимодействия с программным обеспечением, так как оно обеспечивает мгновенное, Видимая обратная связь. Он также обеспечивает удобный доступ к графическому выводу вообще.
Звёздочка на Python Turtle в 10 строк кода - тык
#theory // Just Python
Она включает различные функции для управления черепашкой и рисования различных графических фигур.
В библиотеке turtle есть возможность изменять цвет линий и заливки для черепашьего рисунка с помощью методов color() и fillcolor().
Это эффективный и хорошо зарекомендовавший себя способ взаимодействия с учащимися концепций программирования и взаимодействия с программным обеспечением, так как оно обеспечивает мгновенное, Видимая обратная связь. Он также обеспечивает удобный доступ к графическому выводу вообще.
Звёздочка на Python Turtle в 10 строк кода - тык
#theory // Just Python
Requests - одна из самых популярных общедоступных библиотек Python. Ее цель – сделать HTTP-запросы более простыми и удобными для восприятия. Библиотека Requests имеет лицензию Apache2 и написана на Python. Она является фактическим стандартом, который используют разработчики для выполнения HTTP-запросов в Python.
Помимо того, что библиотека Requests может использоваться для отправки HTTP-запросов на сервер, она также позволяет добавлять в них данные формы, содержимое, заголовок, файлы, состоящие из нескольких частей, и т.д. С этой библиотекой разработчикам не нужно добавлять запрос к URL-адресу или кодировать данные POST вручную.
Библиотека Requests абстрагируется от многочисленных сложностей создания HTTP-запросов в простом API, поэтому разработчики могут больше сосредоточится на взаимодействии со службами. Библиотека поддерживает Python 2.7, 3.4 и выше, а также отлично работает с PyPy.
Ставится командой⚙️
Документация и примеры кода здесь
#theory // Just Python
Помимо того, что библиотека Requests может использоваться для отправки HTTP-запросов на сервер, она также позволяет добавлять в них данные формы, содержимое, заголовок, файлы, состоящие из нескольких частей, и т.д. С этой библиотекой разработчикам не нужно добавлять запрос к URL-адресу или кодировать данные POST вручную.
Библиотека Requests абстрагируется от многочисленных сложностей создания HTTP-запросов в простом API, поэтому разработчики могут больше сосредоточится на взаимодействии со службами. Библиотека поддерживает Python 2.7, 3.4 и выше, а также отлично работает с PyPy.
Ставится командой
$ pipenv install requests-html Документация и примеры кода здесь
#theory // Just Python
Please open Telegram to view this post
VIEW IN TELEGRAM