【python】文本处理——简单爬取网页、字符替换、文本分句

悠悠 2023-06-18 06:54 73阅读 0赞

## 1.简单爬取网页 ##

这里以爬取易文言的《二十五史》为例，共有176篇。http://ewenyan.com/contents/more/esws.html  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70]  
**代码如下：**

import requests #导入我们需要的库
    def GetName(url): #定义一个函数并且传入参数Url
    	resp=requests.get(url);#//获取网页上的所有信息，以文本的模型返回
    	resp.encoding = 'GBK'
    	return resp.text;#//定义一个字符串也就是我们要爬取的地址
    def xieru():
    	fi=open('E:/transformer/wenyanwen/25shi/'+str(a)+'.txt',"wb+");#打开一个文本，以写入的方式写入二级制文本
    	con = GetName(url);
    	ss=con.encode('utf-8')#返还的文本转换编码格式
    	fi.write(ss);#写入打开的文本中
    	return  0;
    for a in range(1,177):
    	url="http://www.ewenyan.com/articles/esws/"+str(a)+".html";
    	xieru();

**注：**  
若爬取时出现编码错误，可以先查看网页的编码方式（鼠标右键–查看源文件），如下图所示。  
这里的编码方式是gb2312，代码中对应改为了GBK。  
![在这里插入图片描述][20191130210610677.gif]  
**结果如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 1]

## 2.字符替换 ##

由于1中的结果包含了所有的网页信息，而我需要的只是其中的文字部分，所以需要把代码部分以及多余的信息删除。  
这里用到了**replace()、findall()、sub()函数**

#### （1）findall()函数 ####

findall()函数可以用正则表达式去找到你需要的文本信息，直接提取出来。如图所示。  
![在这里插入图片描述][20191130213108183.png]

#### （2）replace()函数 ####

replace()函数可以同时替换不同的字符。如图所示，把空格替换为无，“！”替换为“？”，把“111”替换为“0”。  
![在这里插入图片描述][20191130211723602.png]

#### （3）sub()函数 ####

若我们想把很多个不同的字符替换为同一个字符，那我们就可以使用sub()函数。  
例如，在文本中可能会出现很多带标号①②③…的注释，我们需要把它们删除，那我就把这些注释标号都替换为空，如下图所示。  
![在这里插入图片描述][20191130212444131.png]

## 3.文本分句 ##

在2中删除完多余的信息后，需要对文本分句。这里以（！”|？”|。”|。|？|！）进行分句。如下图所示。  
框①中对文本句子进行切分，框②对切分的内容组合（句子+标点）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 2]  
最终的文本如下所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 3]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191130210132769.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg==,size_16,color_FFFFFF,t_70
[20191130210610677.gif]: https://img-blog.csdnimg.cn/20191130210610677.gif
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191130210929790.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg==,size_16,color_FFFFFF,t_70
[20191130213108183.png]: https://img-blog.csdnimg.cn/20191130213108183.png
[20191130211723602.png]: https://img-blog.csdnimg.cn/20191130211723602.png
[20191130212444131.png]: https://img-blog.csdnimg.cn/20191130212444131.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191130213957254.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191130214413149.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjAxNDYyMg==,size_16,color_FFFFFF,t_70