文章目录[隐藏]
1、一个网页通常包含文本信息。对于不同的文本类型,我们可以选择合适的HTML语义元素进行标记。
2、em元素用于标记和强调部分内容,small元素用于注释和署名文本。
实例
<body> <h1>论语学而篇第一</h1> <p><small> <b>作者:</b><abbr title="名丘,字仲尼">孔子<sup><a href="#" rel="external nofollow" >1</a></sup></abbr>(<time>前551年9月28日-前479年4月11日</time>) </small></p> <h2>本篇引语</h2> <p>《学而》是《论语》第一篇的篇名。《论语》中各篇一般都是以第一章的前二三个字作为该篇的篇名。《学而》一篇包括16章,内容涉及诸多方面。其中重点是 <strong>「吾日三省吾身」;「节用而爱人,使民以时」;「礼之用,和为贵」以及仁、孝、信等</strong>道德范畴。</p> <h2>原文</h2> <p>子曰:「<mark>学而时习之,不亦说乎?</mark>有朋自远方来,不亦乐乎?人不知,而不愠,不亦君子乎?」 </p> </body>
知识点扩展:
Python int与string之间的转化
string–>int
1、10进制string转化为int
int(‘12')
2、16进制string转化为int
int(‘12', 16)
int–>string
1、int转化为10进制string
str(18)
2、int转化为16进制string
hex(18)
2 . 由于链家网上面选中第二页的时候,只是在页面后面多了一个“d2”, 如: http://sh.lianjia.com/ershoufang/pudong/d2 , 所以要想爬取更多的网页只需要循环更新requests 的页面URL
3 . 增加了一个循环之后,可以打印所有的爬取结果
from lxml import etree import requests import string url = 'http://sh.lianjia.com/ershoufang/' region = 'pudong' price = 'p23' finalURL = url+region+price def spider_room(finallyURL): r= requests.get(finallyURL) html = requests.get(finalURL).content.decode('utf-8') dom_tree = etree.HTML(html) # all the messages all_message = dom_tree.xpath("//ul[@class='js_fang_list']/li") for index in range(len(all_message)): print(all_message[index].xpath('string(.)').strip()) return for i in range(20): finallyURL = finalURL + '/d'+str(i) spider_room(finallyURL)
4 . 爬取了20页的内容,可是内容的结果输出的形式并没有改变
以上就是python对网页文本的格式化实例方法的详细内容,更多关于python爬虫中网页文本的格式化的资料请关注华域联盟其它相关文章!
您可能感兴趣的文章:
- python数据可视化 – 利用Bokeh和Bottle.py在网页上展示你的数据
- python爬取网页版QQ空间,生成各类图表
- python爬虫基础之简易网页搜集器
- Python如何利用正则表达式爬取网页信息及图片
- Python获取网页数据详解流程
本文由 华域联盟 原创撰写:华域联盟 » python对网页文本的格式化实例方法
转载请保留出处和原文链接:https://www.cnhackhy.com/38285.htm