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
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
白云城资源网 Copyright www.dyhadc.com
暂无“Python识别html主要文本框过程解析”评论...
更新日志
2024年11月08日
2024年11月08日
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]