這篇文章主要介紹了python識別html主要文字框過程解析,文中通過示例程式碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

在抓取網頁的時候只想抓取主要的文字框，例如 csdn 中的主要文字框為下圖紅色框：

抓取的思想是，利用 bs4 查詢所有的 div，用正則篩選出每個 div 裡面的中文，找到中文字數最多的 div 就是屬於正文的 div 了。定義一個抓取的頭部抓取網頁內容：

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")

識別每個 div 中文字的正則：

import re
# 統計中文字數
def countContent(string):
  pattern = re.compile(u'[\u1100-\uFFFD]+?')
  content = pattern.findall(string)
  return content

遍歷每一個 div ，利用正則判斷裡面中文的字數長度，找到長度最長的 div ：

# 分析頁面資訊
def analyzeHtml(html):
  # 初始化網頁
  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 後，提取裡面的文字出來：

def main():
  url = "http://blog.csdn.net/"
  html = getHtmlByRequests(url)
  mainContent = analyzeHtml(html)
  soup = BeautifulSoup(mainContent,"html.parser")
  print(soup.select('div')[0].text)

完整的程式碼如下：

#!/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,'Host': 'blog.csdn.net'}
session = requests.session()


def getHtmlByRequests(url):
  headers.update(
    dict(Referer=url,"ignore")

# 統計中文字數
def countContent(string):
  pattern = re.compile(u'[\u1100-\uFFFD]+?')
  content = pattern.findall(string)
  return content

# 分析頁面資訊
def analyzeHtml(html):
  # 初始化網頁
  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內容，希望對大家的學習有所幫助，也希望大家多多支援我們。