python爬虫怎么只保留文字

Python 爬虫只保留文字的方法

在使用 Python 爬虫抓取网页内容时，有时我们会希望只保留文本部分，去除 HTML 标签和样式等不必要的元素。本文介绍了两种常用的方法来实现这一目标。

1. 使用 BeautifulSoup

BeautifulSoup 是一个流行的 Python HTML 解析库，它可以方便地从 HTML 文档中提取文本。

立即学习“Python免费学习笔记（深入）”；

from bs4 import BeautifulSoup# 创建 BeautifulSoup 对象soup = BeautifulSoup(html_content, "html.parser")# 提取文本内容text = soup.get_text()

2. 使用正则表达式

正则表达式是一种用于匹配字符串的强大工具。我们可以使用正则表达式来从 HTML 内容中提取文本。

import re# 定义正则表达式模式pattern = re.compile(r"<.*?>")# 匹配并替换 HTML 标签text = re.sub(pattern, "", html_content)

比较

选择哪种方法取决于具体需求和对 HTML 结构的熟悉程度。