静态网页爬虫教程（3）文本的提取和保存

前面我们已经把文章的标题和超链接都提取出来了，看上去我们已经有能力把这些文章的内容全部提取出来了。但路要一步一步走，饭要一口一口吃，我们还是先来看一篇文章的内容是怎么提取和保存的吧。
首先还是先来看看文章的内容在哪里？依旧采用之前所说的办法，找到第一篇文章的链接，可以看到链接是http://greenfinance.xinhua08.com/a/20200511/1935984.shtml
我们拿到这篇文章的文本

url='http://greenfinance.xinhua08.com/a/20200511/1935984.shtml'
req=requests.get(url)
req.encoding=requests.utils.get_encodings_from_content(req.text)
req.text

可以看到，文章的主要内容全部在红线标注的标签内：

我们利用正则表达式将内容从标签内取出：

文本内容提取完毕后，我们要将这部分内容存储起来。为了方便，我先设定一个要存储的文件夹路径。

import os
os.chdir(r'D:\绿色金融文本')

接着将文本内容存储起来，文件名就是这篇文章的标题
文章标题前面已经提取过了，就是第一篇，因为是以列表形式存储的，所以第一篇文章的标题就可以用retitle[0]来提取。另外，由于文本内容text1是列表，因此要将其转换为字符串，所以要用str()转换一下。
写文件的方式我们采用with open形式，这种方式的好处在于不用自己去关闭文件，比较省事。with open的用法请自行百度。

with open(retitle[0]+'.txt','w') as f:f.write(str(text1))

看看是不是在指定文件夹下已经多了个文件？

文件里的内容也正是前文中所提取到的内容

但仔细看看，似乎有点美中不足，内容里还是有些不需要的字符，我们可以使用re.sub()和replace()把它去掉，然后再来写入。

import requests
import re
url='http://greenfinance.xinhua08.com/a/20200511/1935984.shtml'
req=requests.get(url)
req.encoding=requests.utils.get_encodings_from_content(req.text)
req.text
text1=re.findall('<div id="ctrlfscont" class="article-content"><p>(.*?)</p></div>',req.text,re.S)
text1=re.sub('<p>|</p>|&ldquo;|&rdquo;','',str(text1).replace('\\n',''))
with open(retitle[0]+'.txt','w') as f:f.write(text1)

这回文章的内容中多余的字符就给去除了。
一篇文章的内容提取和存储我们就这样完成了，接下来我们要完成的是多篇文章内容的提取和存储，请继续浏览教程（4）。

静态网页爬虫教程（3）文本的提取和保存相关推荐

静态网页爬虫教程（5）带翻页的多篇文章内容提取和保存
这是我们静态页面爬取的最后一篇了,主要针对的问题是翻页爬取. 先来观察一下翻页后的新页面地址是什么吧,我们可以看到,新页面的地址的设置很简单,就是改了个序号,第一页是1.shtml,第二页是2.sht ...
静态网页爬虫教程（2）链接和标题的提取
初战告捷,我们继续下一步,来获取网页中的标题和超链接. 观察一下,第一篇文章是这样的: 这篇文章的标题和超链接信息在我们返回的文本中是这样的: 上面的表示是超链接的内容,而下面的则是表示是标题大小为4 ...
静态网页爬虫教程（4）同一页面多篇文章内容提取和保存
前面的文章中,我们已经成功的完成了对一篇文章的内容提取和保存.现在新的问题又来了,之前我们提取过的超链接有那么多,标题也有不少,怎么能只提取一篇文章而放弃一堆呢?别急,下面我们就开始说说多篇文章的内容 ...
静态网页爬虫教程（1）页面的获取
最近想看看绿色金融方面的内容,也不知道搞啥,先在网上找找信息,于是把目标瞄上了新华财经--中国金融信息网.找到了其中的绿色金融的版块.发现上面的文章都是静态页面构成的,可以先把所有的页面信息爬取下来, ...
您访问的网页出错了! 网络连接异常、网站服务器失去响应_数据分析系列——静态网页爬虫进阶（requests）...
在之前"数据分析系列--数据分析入门"16篇中有与爬虫的相关内容,介绍的相对简单.静态网页爬虫进阶系列将分别从网页的自动爬取(Requests).网络数据解析(BeautifulS ...
python 静态网页_Python静态网页爬虫相关知识
想要开发一个简单的Python爬虫案例,并在Python3以上的环境下运行,那么需要掌握哪些知识才能完成一个简单的Python爬虫呢? 爬虫的架构实现爬虫包括调度器,管理器,解析器,下载器和输出器. ...
静态网页制作教程（转载）
方法/步骤新建一个txt文本文档,先不要急着修改文件后缀名,有基础的朋友手动输入HTML代码,不会也没有关系,百度搜索"网页HTML代码". 代码: <!Doctype h ...
python爬取豆瓣电影排行前250获取电影名称和网络链接[静态网页]————爬虫实例（1）
目录 1.算法原理: 2.程序流程: 3.程序代码: 4.运行结果(部分结果展示): 5.结果分析: 1.算法原理: (1)利用import命令导入模块或者导入模块中的对象: ①利用requests库 ...
Python爬虫_第二篇静态网页爬虫（3）_豆瓣数据下载（BeautifulSoupre）
4.采用正则表达式.BeautifulSoup进行解析提取[豆瓣好.中.差三个短评页面各60条评论数据] 4.1 爬虫的一般思路分析目标网页,确定爬取的url路径,headers参数[判断是静态网页 ...

静态网页爬虫教程（3）文本的提取和保存

静态网页爬虫教程（3）文本的提取和保存相关推荐

最新文章

热门文章