[已解决]保存本地的html文件如何提取纯文本

ssqchina

这是提取网址的，本地的html文件该如何修改

import requests
from bs4 import BeautifulSoup

url = "https://www.baidu.com/"
soup = BeautifulSoup(requests.get(url).content, 'html.parser')

# kill all script and style elements
for script in soup(["script", "style"]):
    script.extract()    # rip it out

# get text
text = soup.get_text()

# break into lines and remove leading and trailing space on each
lines = (line.strip() for line in text.splitlines())
# break multi-headlines into a line each
chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
# drop blank lines
text = '\n'.join(chunk for chunk in chunks if chunk)

print(text)

最佳答案

月排行榜 / 总排行榜

歌者文明清理员

2023-7-20 14:37:55

ssqchina 发表于 2023-7-20 14:35
from bs4 import BeautifulSoup
with open("f:\\456.html", "r") as f:
    content = f.read()

from bs4 import BeautifulSoup
with open("f:\\456.html", "r", encoding="utf-8") as f:
    content = f.read()
soup = BeautifulSoup(content, "html.parser")
print(soup.text)

sorry，没考虑编码

跳转到最佳答案楼层

歌者文明清理员

这段代码使用Python爬取指定网页（https://www.baidu.com/）的内容，并保存为纯文本格式。
首先，通过requests库发送HTTP请求获取网页的HTML源代码。然后，使用BeautifulSoup库解析HTML，并移除其中的脚本和样式元素。
接下来，从解析后的HTML中提取文本内容。将文本按行分割，并去除每行首尾的空白字符。然后，将多行文本拆分为单行，并去除每行首尾的空白字符。最后，将非空的行连接起来，并打印输出。
若你想将文本保存到本地文件，可以添加以下代码：

with open('output.txt', 'w', encoding='utf-8') as f:
    f.write(text)

注意，需要确保代码所在的目录下可写入文件。


为什么不给我设置一个最佳答案呢？点它 ->

                               
登录/注册后可看大图

陶远航

你好！根据你提供的代码，你想要从百度网页中获取文本内容并保存为本地的HTML文件。以下是修改后的代码示例：

import requestsfrom bs4 import BeautifulSoupurl = "https://www.baidu.com/"response = requests.get(url)soup = BeautifulSoup(response.content, 'html.parser')# 保存html文件with open("baidu.html", "w", encoding="utf-8") as file:    file.write(str(soup))print("保存成功！")

这段代码使用requests库获取网页内容，然后使用BeautifulSoup库解析网页。最后，将解析后的内容写入名为"baidu.html"的本地文件中。

希望能帮到你！如果还有其他问题，请随时提问。

Mike_python小

问题分析：

根据提供的代码，您想要通过请求百度网址并将网页内容保存为纯文本。然而，在代码中存在一些排版和处理文本的问题。

1. 去除 script 和 style 标签：代码通过遍历 soup 对象中的 script 和 style 标签，并使用 extract() 方法删除这些标签。这是正确的做法。

2. 获取网页文本：代码通过 get_text() 方法获取网页的文本内容，这是正确的做法。

3. 处理文本：代码中使用了一系列操作来对文本进行处理。然而，其中的代码缩进似乎有问题，导致解析出来的文本可能会出现错误。

修正后的代码如下：

import requestsfrom bs4 import BeautifulSoupurl = "https://www.baidu.com/"soup = BeautifulSoup(requests.get(url).content, 'html.parser')# Kill all script and style elementsfor script in soup(["script", "style"]):    script.extract()  # Rip it out# Get texttext = soup.get_text()# Remove leading and trailing spaces on each linelines = (line.strip() for line in text.splitlines())# Break multi-headlines into a line eachchunks = (phrase.strip() for line in lines for phrase in line.split("  "))# Drop blank linestext = '\n'.join(chunk for chunk in chunks if chunk)print(text)

请注意，以上代码修正了排版问题，并确保文本处理的逻辑正确。您可以在本地运行修正后的代码，验证文本内容是否符合预期。

此外，在保存文本之前，您可能希望对文本进行进一步的处理，例如去除多余的空行、特殊字符等。根据您的需求，可以根据文本处理的目标进行相应的修改。

球一个最佳答案谢谢啦！这对我非常重要！

isdkz

您的代码看起来可以成功地从HTML中提取文本。但是，如果你想保存HTML而不是仅仅提取文本，你可以按照以下方式进行：

import requestsurl = "https://www.baidu.com/"response = requests.get(url)# 确保请求成功response.raise_for_status()# 打开一个文件用来写入HTML内容with open("baidu.html", "w", encoding="utf-8") as f:    f.write(response.text)

这段代码会将百度主页的HTML内容保存到"baidu.html"这个文件中。具体流程如下：

1. 我们首先导入 requests 模块，这是Python中用于发送HTTP请求的模块。
2. 然后，我们使用 requests.get(url) 方法向指定的URL发送GET请求。这会返回一个 Response 对象，其中包含了服务器对我们请求的响应。
3. 接着，我们使用 Response 对象的 raise_for_status() 方法检查请求是否成功。如果请求失败（例如，服务器返回了404 Not Found状态码），那么这个方法会引发一个异常。
4. 最后，我们创建一个名为"baidu.html"的文件，并以写入模式打开它。我们将响应的文本内容（即HTML）写入这个文件。

需要注意的是，这个过程中并没有使用BeautifulSoup进行解析HTML。因为如果你的目标是保存整个HTML文件，而不是解析或者操作HTML内容，那么就无需使用BeautifulSoup。

歌者文明清理员

陶远航 发表于 2023-7-20 14:19
你好！根据你提供的代码，你想要从百度网页中获取文本内容并保存为本地的HTML文件。以下是修改后的代码示例 ...

我比你快！

陶远航

歌者文明清理员 发表于 2023-7-20 14:20
我比你快！

你占楼，你牛逼，你selenium

ssqchina

歌者文明清理员 发表于 2023-7-20 14:19
这段代码使用Python爬取指定网页（https://www.baidu.com/）的内容，并保存为纯文本格式。
首先，通过requ ...

这是提取网址的，本地的html文件该如何修改

ssqchina

陶远航 发表于 2023-7-20 14:19
你好！根据你提供的代码，你想要从百度网页中获取文本内容并保存为本地的HTML文件。以下是修改后的代码示例 ...

这是提取网址的，本地的html文件该如何修改！

ssqchina

Mike_python小 发表于 2023-7-20 14:19
问题分析：

根据提供的代码，您想要通过请求百度网址并将网页内容保存为纯文本。然而，在代码中存在一些排 ...

这是提取网址的，本地的html文件该如何修改！！

ssqchina

isdkz 发表于 2023-7-20 14:19
您的代码看起来可以成功地从HTML中提取文本。但是，如果你想保存HTML而不是仅仅提取文本，你可以按照以下方 ...

这是提取网址的，本地的html文件该如何修改！！！！！

歌者文明清理员

ssqchina 发表于 2023-7-20 14:24
这是提取网址的，本地的html文件该如何修改

from bs4 import BeautifulSoup
with open("your_file.html", "r") as f:
    content = f.read()
soup = BeautifulSoup(content, "html.parser")
print(soup.text)

ssqchina

歌者文明清理员 发表于 2023-7-20 14:27

from bs4 import BeautifulSoup
with open("f:\\456.html", "r") as f:
    content = f.read()
soup = BeautifulSoup(content, "html.parser")
print(soup.text)
错误信息
Traceback (most recent call last):
  File "D:\Python\111.py", line 3, in <module>
    content = f.read()
UnicodeDecodeError: 'gbk' codec can't decode byte 0xa5 in position 60: illegal multibyte sequence

歌者文明清理员

ssqchina 发表于 2023-7-20 14:35
from bs4 import BeautifulSoup
with open("f:\\456.html", "r") as f:
    content = f.read()

from bs4 import BeautifulSoup
with open("f:\\456.html", "r", encoding="utf-8") as f:
    content = f.read()
soup = BeautifulSoup(content, "html.parser")
print(soup.text)

sorry，没考虑编码

sfqxx

歌者文明清理员 发表于 2023-7-20 14:19
这段代码使用Python爬取指定网页（https://www.baidu.com/）的内容，并保存为纯文本格式。
首先，通过requ ...

《反对自己》

歌者文明清理员

sfqxx 发表于 2023-7-20 15:52
《反对自己》

wc