现在有一批完整的关于介绍城市美食、景点等的html页面,需要将里面body的内容提取出来
方法:利用python插件beautifulSoup获取htmlbody标签的内容,并批量处理。
# -*- coding:utf8 -*-
from bs4 import BeautifulSoup
import os
import os.path
import sys
reload(sys)
sys.setdefaultencoding("utf8")
def printPath(level,path):
global allFileNum
#所有文件夹,第一个字段是此目录的级别
dirList = []
#所有文件
fileList = []
#返回一个列表,其中包含在目录条目的名称
files = os.listdir(path)
#先添加目录级别
dirList.append(str(level))
for f in files:
if(os.path.isdir(path+"/"+f)):
#排除隐藏文件夹,因为隐藏文件夹过多
if(f[0] == "."):
pass
else:
#添加隐藏文件夹
dirList.append(f)
if(os.path.isfile(path+"/"+f)):
#添加文件
fileList.append(f)
return (dirList,fileList)
#将文件html文件抓取并写入指定txt文件
def getAndInsert(rootdir,savepath,path):
global file_num
f_list = os.listdir(rootdir+"/"+path)
for i in f_list:
temp = os.path.splitext(i)[0]
for num in range(1,11):
if(i==str(num)+".html"):
#print rootdir+"/"+path+"/"+i
objFile = open(rootdir+"/"+path+"/"+i)
soup = BeautifulSoup(objFile)
arr = []
for child in soup.body:
arr.append(child)
if os.path.exists(savepath+"/"+path):
pass
else:
os.makedirs(savepath+"/"+path)
f = open(savepath+"/"+path+"/"+temp+".txt","w")
for k,v in enumerate(arr):
if k!=1:
f.write(str(v))
f.close()
print path+"/"+i+" is running"
file_num = file_num + 1
rootdir = "../zips2"
dirList,fileList = printPath(1,rootdir)
savepath = "../testC"
file_num = 0
for fn in dirList:
if(fn == "1"):
pass
else:
getAndInsert(rootdir,savepath,fn)
print fn+" is ending"
print "一共完成"+str(file_num)+"个城市的提取"
以上这篇python批量获取html内body内容的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。