python提取文字
① python怎么抓取网页中DIV的文字
使用 BeautifulSoup 进行解析 html，需要安装 BeautifulSoup
#coding=utf-8
importurllib2
importsocket
importhttplib
frombs4importBeautifulSoup
UserAgent='Mozilla/5.0(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/57.0.2987.98Safari/537.36'
defdownloadPage(url):
try:
opener=urllib2.build_opener()
headers={'User-Agent':UserAgent}
req=urllib2.Request(url=url,headers=headers)
resp=opener.open(req,timeout=30)
result=resp.read()
returnresult
excepturllib2.HTTPError,ex:
printex
return''
excepturllib2.URLError,ex:
printex
return''
exceptsocket.error,ex:
printex
return''
excepthttplib.BadStatusLine,ex:
printex
return''
if__name__=='__main__':
content=downloadPage("这填douban的地址")
#printcontent
soap=BeautifulSoup(content,'lxml')
lst=soap.select('ol.grid_viewli')
foriteminlst:
#电影详情页链接
printitem.select('div.item>div.pica')[0].attrs['href']
#图片链接
printitem.select('div.item>div.picaimg')[0].attrs['src']
#标题
printitem.select('div.item>div.info>div.hd>a>span.title')[0].get_text()
#评分
printitem.select('div.item>div.info>div.bd>div.star>span.rating_num')[0].get_text()
print'-------------------------------------------------------------------------'
② python中如何从字符串内提取指定的字符
1、双击打开pycharm开发工具，新建一个python项目，查看对应的文件夹。
③ Python提取两个字符串之间的内容
Python提取两个字符串之间的内容步骤如下：
1、截取前6个字符：c='12369abcdefg./.、
'print (c[0:6]) ，注意，c里面第0个字符，就是'1'，是从第零个开始数的。
④ 怎样把其中的汉字提取出来呀，求Python大佬解答
网页源码提取方式一般有三种：
bs4 >> css 选择器
lxml >> xpath 选择器
re >> 正则表达式
既然你选择用 BeautifulSoup，所以你要自己好好学 css 选择器。
⑤ 怎样用Python提取文本中某一段文字
可以用正则或者切片。
处理大文本用正则，效率高。
简单提取的话用切片就行了。
取出“test”四个字母，需要找前后的标识符，这里可以看做是“one”和“text”中间的字符。
1、切片使用方法（注意冒号）：
text='onetesttext123'
right=text[text.find('one')+3:]#right结果为“testtext123”
result=right[:right.find('text')]
printresult
2、正则方法：
importre
text='onetesttext123'
match=re.search('one(w+)text',text)
result=match.group(1)
printresult
正则对新手来说过于复杂，有很多的语法和结构需要学习。
切片相对简单，找出前后字符的位置（用find），再用字符切片，就能轻松取出想要的文本。
⑥ python怎样抓取网页中的文字和数字数据
通过xpath路径来定位到要提取的元素，在路径后面加上/text()可以提取该元素的文本，如果是要提取属性值，在路径后面加上/@属性名就可以。如果要只采集数字或者文字，可以使用正则来实现。比如数字的正字表达式：[0-9]+。希望可以帮到题主
⑦ 如何使用python来获取pdf文件里的文字，最好是不能乱码
提取pdf文字可以推荐一个工具 参考图片上下载试试
第一种文字型PDF比较简单，可以采用格式转换的方式直接转换PDF文件为文本。打开PDF文字识别软件，执行“文件”-“打开图像...”导入PDF文件，然后执行“输出”-“PDF文件转换为TXT文件”第二种图像型PDF，有的PDF都是扫描图片，这个就不能复制文字了，可以采用OCR识别的方式，将PDF文件转换为可编辑文档。这也是本文主要讲的pdf文字识别方法。还是打开PDF文字提取软件，执行“文件”-“打开图像...”导入PDF文件。然后执行“识别”-“开始识别...”。
⑧ python 爬虫提取span文字
xpath('//span/text()')就直接所有span下文字的列表
⑨ 如何用Python requests 爬取网页所有文字
您可以用requests库的get方法，以请求的网址为参数，获取网页所有html代码，再访问结果是text属性即可。