Question

如何用Python爬取出HTML指定标签内的文本？

我想只要其中<tr>下<td>标签所包含的文本信息，或者有什么办法只留下页面显示的内容，把标签符号之类的去掉？最好能给出代码，谢谢啦！

Answer 1

你好！

可以通过lxml来获取指定标签的内容。

#安装lxml
pip install lxml

import requests
from lxml import html

def getHTMLText(url):
    ....
    
etree = html.etree
root = etree.HTML(getHTMLText(url))
#这里得到一个表格内tr的集合
trArr  = root.xpath("//div[@class='news-text']/table/tbody/tr");

#循环显示tr里面的内容
for tr in trArr:
    rank = tr.xpath("./td[1]/text()")[0]
    name = tr.xpath("./td[2]/div/text()")[0]
    prov = tr.xpath("./td[3]/text()")[0]
    strLen = 22-len(name.encode('GBK'))+len(name)
    print('排名：{:<3},   学校名称：{:<{}}\t，   省份：{}'.format(rank,name,strLen,prov))

希望对你有帮助！

追问

这个可以用！谢谢啦！

Answer 2

这种情况用xpath啊，什么re和bs4都弱爆了。

import requests
from lxml import etree
def getHTMLtext(url):
    res=requests.get(url,timeout=30)
    # 处理中文编码问题
    res.encoding='gb2312'
    # 转化html
    html=etree.HTML(res.text)
    # xpath提取tr标签下td的内容
    HTMLtext=html.xpath("//tr/td/text()")
    return HTMLtext

追问

会乱码哦！

追答

这是中文编码问题，跟提取没有关系，通过res.apparent_encoding查看真实编码，然后把gb2312改成真实编码

Answer 3

爬取这些主要看规则，如果就你刚才所说，可以用正则。可以试下一次正则是否能提取，如果不行的话，先取包含内容的部分，然后正则再区分。
当然还可以查下类似xml解析的方法将HTML转化为数组，然后取值

Answer 4

如果只要tr td中的文本内容，建议还是用正则表达式来提取更为方便。

追问

能给代码吗？我看到网上很多都说用正则表达式，但是那些代码复制来都报错。

Answer 5

举个例子：
想要提取全部标签<h4></h4>内的文本，可使用如下Python代码：

import re
with open("html.html",'rU') as strf:
....str = strf.read()
res = r'(?<=<h4>).*?(?=</h4>)'
li = re.findall(res,str)
with open("new.txt","w") as wstr:
....for s in li:
........wstr.write(s)
........wstr.write(" ")
........print(s,' ')

正则表达式r'(?<=<h4>).*?(?=</h4>)中括号部分属于向后向前查找，相当于字符串作为边界进行查找。

运行后会将标签<h4></h4>内的文本提取到文件new.txt