圆月山庄资源网 Design By www.vgjia.com
这篇文章主要介绍了python识别html主要文本框过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
在抓取网页的时候只想抓取主要的文本框,例如 csdn 中的主要文本框为下图红色框:
抓取的思想是,利用 bs4 查找所有的 div,用正则筛选出每个 div 里面的中文,找到中文字数最多的 div 就是属于正文的 div 了。定义一个抓取的头部抓取网页内容:
import requests headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36', 'Host': 'blog.csdn.net'} session = requests.session() def getHtmlByRequests(url): headers.update( dict(Referer=url, Accept="*/*", Connection="keep-alive")) htmlContent = session.get(url=url, headers=headers).content return htmlContent.decode("utf-8", "ignore")
识别每个 div 中文字的正则:
import re # 统计中文字数 def countContent(string): pattern = re.compile(u'[\u1100-\uFFFD]+"htmlcode"># 分析页面信息 def analyzeHtml(html): # 初始化网页 soup = BeautifulSoup(html, "html.parser") part = soup.select('div') match = "" for paragraph in part: content = countContent(str(paragraph)) if len(content) > len(match): match = str(paragraph) return match得到主要的 div 后,提取里面的文字出来:
def main(): url = "http://blog.csdn.net/" html = getHtmlByRequests(url) mainContent = analyzeHtml(html) soup = BeautifulSoup(mainContent, "html.parser") print(soup.select('div')[0].text)完整的代码如下:
#!/usr/bin/env python # -*- coding: utf-8 -*- from bs4 import BeautifulSoup import requests import re headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36', 'Host': 'blog.csdn.net'} session = requests.session() def getHtmlByRequests(url): headers.update( dict(Referer=url, Accept="*/*", Connection="keep-alive")) htmlContent = session.get(url=url, headers=headers).content return htmlContent.decode("utf-8", "ignore") # 统计中文字数 def countContent(string): pattern = re.compile(u'[\u1100-\uFFFD]+"html.parser") part = soup.select('div') match = "" for paragraph in part: content = countContent(str(paragraph)) if len(content) > len(match): match = str(paragraph) return match def main(): url = "http://blog.csdn.net/" html = getHtmlByRequests(url) mainContent = analyzeHtml(html) soup = BeautifulSoup(mainContent, "html.parser") print(soup.select('div')[0].text) if __name__ == '__main__': main()以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
标签:
python,识别,html
圆月山庄资源网 Design By www.vgjia.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
圆月山庄资源网 Design By www.vgjia.com
暂无评论...
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
2024年11月02日
2024年11月02日
- 张韶涵2024 《不负韶华》开盘母带[低速原抓WAV+CUE][1.1G]
- lol全球总决赛lcs三号种子是谁 S14全球总决赛lcs三号种子队伍介绍
- lol全球总决赛lck三号种子是谁 S14全球总决赛lck三号种子队伍
- 群星.2005-三里屯音乐之男孩女孩的情人节【太合麦田】【WAV+CUE】
- 崔健.2005-给你一点颜色【东西音乐】【WAV+CUE】
- 南台湾小姑娘.1998-心爱,等一下【大旗】【WAV+CUE】
- 【新世纪】群星-美丽人生(CestLaVie)(6CD)[WAV+CUE]
- ProteanQuartet-Tempusomniavincit(2024)[24-WAV]
- SirEdwardElgarconductsElgar[FLAC+CUE]
- 田震《20世纪中华歌坛名人百集珍藏版》[WAV+CUE][1G]
- BEYOND《大地》24K金蝶限量编号[低速原抓WAV+CUE][986M]
- 陈奕迅《准备中 SACD》[日本限量版] [WAV+CUE][1.2G]
- TWINS.2004-SUCHABETTERDAY精美礼盒特别版2CD【英皇娱乐】【WAV+CUE】
- 音乐磁场.1991-1998-音乐磁场系列22CD【瑞星】【WAV+CUE】
- 韦绮姗.1993-LOVE.ME.ONCE.AGAIN【永高创意】【WAV+CUE】