


Mengapakah mencipta pembolehubah dan menggunakan pembolehubah itu sebagai rujukan boleh menyebabkan kekeliruan?
pengenalan
Dalam skrip Python, saya ingin menguji rentetan HTML yang berbeza menggunakan logik yang sama. Pendekatan saya adalah untuk mengulangi julat untuk mencipta berbilang tika pembolehubah rentetan HTML, tetapi ia tidak berfungsi seperti yang diharapkan.
# DO NOT DO THIS for i in range(1, 5): html = f"html{i}" soup = BeautifulSoup(html, "html.parser") print('----', soup)
Tingkah laku yang saya perhatikan adalah disebabkan oleh cara rentetan terformat f"html{i}" ditafsirkan. Dalam kod saya, f"html{i}" menilai kepada literal "html1", "html2", "html3" dan "html4" berbanding kandungan pembolehubah bernama html1, html2, dsb.
Python tidak menggantikan f"html{i}" secara automatik dengan nilai pembolehubah yang namanya dicipta secara dinamik seperti html1 atau html2. Sebaliknya, ia menilai rentetan sebagai corak tetap yang terdiri daripada awalan "html" diikuti dengan nilai i.
Jika saya ingin menggunakan kandungan pembolehubah yang dipratakrifkan html1, html2, dsb., saya perlu mendapatkan semula nilainya secara eksplisit, contohnya menggunakan kamus untuk memetakan nama rentetan kepada kandungan sebenar mereka.
Berikut ialah contoh yang menggambarkan ini:
from bs4 import BeautifulSoup # Define the variables html1 = "Test 1" html2 = "Test 2" html3 = "Test 3" html4 = "Test 4" # Store them in a dictionary for easy access html_dict = { "html1": html1, "html2": html2, "html3": html3, "html4": html4 } # Iterate and process each html content for i in range(1, 5): key = f"html{i}" html = html_dict[key] soup = BeautifulSoup(html, "html.parser") print('----', soup)
Penjelasan:
-
Tentukan Pembolehubah:
- html1, html2, html3, html4 ditakrifkan dengan kandungan yang ingin anda huraikan.
-
Kamus untuk Carian Boleh Ubah:
- html_dict dicipta untuk memetakan nama rentetan kepada kandungan yang sepadan.
-
Lelaran Pada Kekunci:
- Gelung menjana kekunci "html1" kepada "html4".
- key = f"html{i}" membina kunci.
- html = html_dict[key] mendapatkan semula kandungan yang dikaitkan dengan kunci.
-
Menghuraikan dan Mencetak:
- Menghuraikan kandungan HTML menggunakan BeautifulSoup.
- Mencetak kandungan yang dihuraikan.
Output:
---- Test 1 ---- Test 2 ---- Test 3 ---- Test 4
Pendekatan ini secara dinamik mengakses kandungan pembolehubah berdasarkan indeks lelaran dan mencetak kandungan yang dimaksudkan dengan betul.
Atas ialah kandungan terperinci Mengapakah mencipta pembolehubah dan menggunakan pembolehubah itu sebagai rujukan boleh menyebabkan kekeliruan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.
