Python识别html主要文本框过程解析

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