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。
华山资源网 Design By www.eoogi.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:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
稳了!魔兽国服回归的3条重磅消息!官宣时间再确认!
昨天有一位朋友在大神群里分享,自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址,com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后,确实是网易的网址,也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情,因为以前都没有出现这样的情况,现在突然提示跳转到国服战网的网址,是不是说明了简体中文客户端已经开始进行更新了呢?
更新日志
2024年11月19日
2024年11月19日
- 许秋怡.1995-电影少女【丽音唱片】【FLAC分轨】
- 【中国艺术歌曲典藏】温雅欣《她比烟花寂寞》紫银合金SQCD【低速原抓WAV+CUE】
- 张国荣《FinalEncounter》头版限量编号MQA-UHQ[低速原抓WAV+CUE].
- 发烧萨克斯-雪国之春(SRS+WIZOR)[原抓WAV+CUE]
- 王铮亮《慢人理论》[320K/MP3][175.31MB]
- 王铮亮《慢人理论》[FLAC/分轨][524.11MB]
- 陈致逸《赴梦之约 游戏主题原声音乐》[320K/MP3][35.82MB]
- 沈文程.1998-历年畅销歌曲精选3CD旧情也绵绵【乡城】【WAV+CUE】
- 群星.2022-福茂巨星·时空之轮日本唱片志系列DISC1黄舒骏-为你疯狂【福茂】【WAV+CUE】
- 群星.2022-福茂巨星·时空之轮日本唱片志系列DISC2范晓萱-RAIN【福茂】【WAV+CUE】
- 王闻-《男人四十4》[正版CD低速原抓WAV+CUE]
- 青燕子-八只眼演唱组《爱心》[WAV+CUE]
- 祁露想着你的好》WAV+CUE
- 陈致逸《赴梦之约 游戏主题原声音乐》[FLAC/分轨][159.96MB]
- 贵族音乐《睡眠自然流水声 ASMR白噪音背景音》[320K/MP3][155.72MB]