python對網(wǎng)頁文本的格式化實例方法
1、一個網(wǎng)頁通常包含文本信息。對于不同的文本類型，我們可以選擇合適的HTML語義元素進行標(biāo)記。
2、em元素用于標(biāo)記和強調(diào)部分內(nèi)容，small元素用于注釋和署名文本。
實例
<body> <h1>論語學(xué)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>本篇引語</h2> <p>《學(xué)而》是《論語》第一篇的篇名。《論語》中各篇一般都是以第一章的前二三個字作為該篇的篇名?！秾W(xué)而》一篇包括16章，內(nèi)容涉及諸多方面。其中重點是 <strong>「吾日三省吾身」；「節(jié)用而愛人，使民以時」；「禮之用，和為貴」以及仁、孝、信等</strong>道德范疇。</p> <h2>原文</h2> <p>子曰：「<mark>學(xué)而時習(xí)之，不亦說乎？</mark>有朋自遠(yuǎn)方來，不亦樂乎？人不知，而不慍，不亦君子乎？」 </p> </body>
知識點擴展：
Python int與string之間的轉(zhuǎn)化
string–>int
1、10進制string轉(zhuǎn)化為int
int(‘12')
2、16進制string轉(zhuǎn)化為int
int(‘12', 16)
int–>string
1、int轉(zhuǎn)化為10進制string
str(18)
2、int轉(zhuǎn)化為16進制string
hex(18)
2 . 由于鏈家網(wǎng)上面選中第二頁的時候，只是在頁面后面多了一個“d2”, 如： http://sh.lianjia.com/ershoufang/pudong/d2 ， 所以要想爬取更多的網(wǎng)頁只需要循環(huán)更新requests 的頁面URL
3 . 增加了一個循環(huán)之后，可以打印所有的爬取結(jié)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("http://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頁的內(nèi)容，可是內(nèi)容的結(jié)果輸出的形式并沒有改變
以上就是python對網(wǎng)頁文本的格式化實例方法的詳細(xì)內(nèi)容，更多關(guān)于python爬蟲中網(wǎng)頁文本的格式化的資料請關(guān)注本站其它相關(guān)文章！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信