获取网页的所有文本

传入参数为res.content

import requests
res = requests.get(url)
res_content = res.content

// 获取网页所有文本

from lxml import etree
from lxml import html as html_parse
from lxml.html.clean import Cleaner
import re

def parse_html(res_content):
    cleaner = Cleaner()
    cleaner.javascript = True  # 运行网页上的javascript
    cleaner.style = True  # 清理style元素下的脏数据
    tree = html_parse.fromstring(res_content)
    html_ = html_parse.tostring(cleaner.clean_html(tree)).decode()

    ele = etree.HTML(html_)
    text = ele.xpath('/html/body//text()')   # xpath解析
    # 替换异常符号,将xpath解析后的列表合并为一个字符串
    text = re.sub('\r|\n|\t|<.*?>', '', ' '.join([i1.strip() for i1 in text if i1.strip()]))   
    return text

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值