[已解决]网页内容转为 txt

2830680393

目前有很多个URL，(这些URL都以   .pdf   结尾）
请问怎么读取每一个url，并将对应内容转为txt

最佳答案

月排行榜 / 总排行榜

陶远航

2023-6-23 16:38:36

要读取每个以 ".pdf" 结尾的 URL，并将其内容转换为文本，你可以使用以下步骤：

导入所需的库：

1. import requests
   
2. from io import BytesIO
   
3. import PyPDF2

复制代码

循环遍历每个 URL，并读取其内容：

1. pdf_urls = [url1, url2, url3]  # 包含所有 PDF URL 的列表
   
2. 
   
3. for url in pdf_urls:
   
4.     response = requests.get(url)  # 发送 HTTP 请求以获取 PDF 文件
   
5.     pdf_content = response.content  # 获取 PDF 文件的内容

复制代码

将 PDF 内容转换为文本：

1.     pdf_file = BytesIO(pdf_content)  # 创建一个 BytesIO 对象以加载 PDF 文件
   
2.     pdf_reader = PyPDF2.PdfReader(pdf_file)  # 创建 PDF 阅读器对象
   
3.     text_content = ""
   
4. 
   
5.     for page in pdf_reader.pages:
   
6.         text_content += page.extract_text()  # 提取每一页的文本内容
   
7. 
   
8.     # 打印或保存文本内容
   
9.     print(text_content)
   
10.     # 进行进一步的处理或保存到文件中

复制代码

请注意，这段代码使用了 requests 库来发送 HTTP 请求，PyPDF2 库来处理 PDF 文件。确保在运行代码之前安装这些库。另外，替换 pdf_urls 变量为包含你的 PDF URL 的实际列表。

这是一个基本的示例，你可能需要根据你的需求进行适当的修改和扩展，以适应不同的情况和要求。

跳转到最佳答案楼层

isdkz

你可以使用Python中的requests库来读取每个URL的内容，并使用Python中的正则表达式来提取文本内容。下面是一个示例代码：

1. import requests
2. import re
4. def convert_to_txt(url):
5.     response = requests.get(url)
6.     if response.status_code == 200:
7.         content = response.text
8.         text = re.sub('<[^<]+?>', '', content)  # 使用正则表达式去除HTML标签
9.         with open('output.txt', 'a', encoding='utf-8') as file:
10.             file.write(text)
11.         print(f'{url} 转换成功')
12.     else:
13.         print(f'{url} 请求失败')
15. urls = ['http://example.com/page1.pdf', 'http://example.com/page2.pdf']
17. for url in urls:
18.     convert_to_txt(url)

复制代码

这段代码首先使用requests库发送HTTP请求获取URL对应的内容。然后，使用正则表达式 <[^<]+?> 去除HTML标签，将提取到的文本内容写入到一个名为 output.txt 的文件中。最后，遍历所有的URL，调用 convert_to_txt 函数进行转换。

请注意，这段代码只能处理纯文本内容，如果URL指向的是PDF文件或其他非文本格式的文件，可能无法正确提取文本内容。

陶远航

isdkz 发表于 2023-6-23 16:35
你可以使用Python中的requests库来读取每个URL的内容，并使用Python中的正则表达式来提取文本内容。下面是 ...

？？？

这么快？？？

秒男啊...

isdkz

陶远航 发表于 2023-6-23 16:36
？？？

这么快？？？

陶远航

要读取每个以 ".pdf" 结尾的 URL，并将其内容转换为文本，你可以使用以下步骤：

导入所需的库：

1. import requests
   
2. from io import BytesIO
   
3. import PyPDF2

复制代码

循环遍历每个 URL，并读取其内容：

1. pdf_urls = [url1, url2, url3]  # 包含所有 PDF URL 的列表
   
2. 
   
3. for url in pdf_urls:
   
4.     response = requests.get(url)  # 发送 HTTP 请求以获取 PDF 文件
   
5.     pdf_content = response.content  # 获取 PDF 文件的内容

复制代码

将 PDF 内容转换为文本：

1.     pdf_file = BytesIO(pdf_content)  # 创建一个 BytesIO 对象以加载 PDF 文件
   
2.     pdf_reader = PyPDF2.PdfReader(pdf_file)  # 创建 PDF 阅读器对象
   
3.     text_content = ""
   
4. 
   
5.     for page in pdf_reader.pages:
   
6.         text_content += page.extract_text()  # 提取每一页的文本内容
   
7. 
   
8.     # 打印或保存文本内容
   
9.     print(text_content)
   
10.     # 进行进一步的处理或保存到文件中

复制代码

请注意，这段代码使用了 requests 库来发送 HTTP 请求，PyPDF2 库来处理 PDF 文件。确保在运行代码之前安装这些库。另外，替换 pdf_urls 变量为包含你的 PDF URL 的实际列表。

这是一个基本的示例，你可能需要根据你的需求进行适当的修改和扩展，以适应不同的情况和要求。

isdkz

如果你的 URL 是指向 PDF 文件的，那么你需要使用一些工具来把 PDF 文件转为文本。这个过程一般可以分为两步：第一步是从 URL 下载 PDF 文件，第二步是将下载的 PDF 文件转化为文本文件。

这是一个简单的 Python 脚本来实现这个过程：

1. import requests
   
2. import PyPDF2
   
3. from io import BytesIO
   
4. 
   
5. # 替换成你的 url 列表
   
6. urls = ['http://example.com/file1.pdf', 'http://example.com/file2.pdf', ...]
   
7. 
   
8. for i, url in enumerate(urls):
   
9.     response = requests.get(url)
   
10.     file = BytesIO(response.content)
    
11.     pdf = PyPDF2.PdfFileReader(file)
    
12. 
    
13.     with open(f'document{i}.txt', 'w') as txt_file:
    
14.         for page in range(pdf.getNumPages()):
    
15.             text = pdf.getPage(page).extractText()
    
16.             txt_file.write(text)
    

复制代码

注意这个脚本使用了  requests  和  PyPDF2  这两个 Python 库，所以你需要先安装这两个库。你可以使用  pip install requests PyPDF2  命令来安装。

还要注意， PyPDF2  的  extractText  方法可能无法完美地从所有的 PDF 文件中提取文本，这主要取决于 PDF 文件是如何生成的。有些 PDF 文件可能包含的是图片或者扫描件，那么可能需要使用 OCR（Optical Character Recognition）工具来识别其中的文字。

另外，这个脚本假定每个 URL 都可以访问，并且每个 URL 都会返回一个 PDF 文件。如果有些 URL 访问不了，或者返回的不是 PDF 文件，那么这个脚本可能会抛出异常。你可能需要添加一些错误处理的代码来处理这种情况。