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()
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我们。
赞 (0)