Python识别html主要文本框过程解析
作者:TTyb 时间:2023-11-09 01:31:52
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]+?')
content = pattern.findall(string)
return content
遍历每一个 div ,利用正则判断里面中文的字数长度,找到长度最长的 div :
# 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]+?')
content = pattern.findall(string)
return content
# 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
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()
来源:http://www.tybai.com/python/python%E8%AF%86%E5%88%ABhtml%E4%B8%BB%E8%A6%81%E6%96%87%E6%9C%AC%E6%A1%86.html
标签:python,识别,html


猜你喜欢
pandas实现数据可视化的示例代码
2023-01-12 10:31:05

学以致用 驳“ASP低能论”
2007-09-30 13:01:00
ant design vue 图片预览组件自定义样式
2023-03-14 13:11:13

Mysql如何实现不存在则插入,存在则更新
2024-01-26 11:13:54

Python中如何使用Matplotlib库绘制图形
2021-09-27 11:59:04

吴恩达机器学习练习:SVM支持向量机
2023-10-30 11:49:53

Python利用Turtle绘制哆啦A梦和小猪佩奇
2022-05-08 08:38:24

Javascript DOM 编程实例讲解--仿LightBox效果提示框
2008-05-01 13:25:00

Pytorch转tflite方式
2023-08-10 03:47:29
python开发的自动化运维工具ansible详解
2022-12-11 08:40:00

MySQL中 LBCC 和 MVCC 的理解及常见问题示例
2024-01-23 18:51:01

golang操作mongodb的方法
2023-09-15 03:49:24
python查看微信好友是否删除自己
2021-01-31 23:16:32
解决Python requests库编码 socks5代理的问题
2023-01-29 13:27:28

Python filter过滤器原理及实例应用
2021-03-20 13:11:13

用户体验之内容篇
2010-11-05 18:21:00

Python三种遍历文件目录的方法实例代码
2023-06-26 05:24:50
如何将python代码打包成pip包(可以pip install)
2021-08-23 21:38:10
微信小程序实现上传图片小功能
2024-04-26 17:11:56

初识Golang Mutex互斥锁的使用
2024-05-09 09:39:57
