1、一个网页通常包含文本信息。对于不同的文本类型，我们可以选择合适的HTML语义元素进行标记。
2、em元素用于标记和强调部分内容，small元素用于注释和署名文本。
实例
|
1
2
3
4
5
6
7
8
9
10
11
|
<body>
<h1>论语学而篇第一</h1>
<p><small>
<b>作者：</b><abbr title="名丘，字仲尼">孔子<sup><a href="#" rel="external nofollow" >1</a></sup></abbr>（<time>前551年9月28日－前479年4月11日</time>）
</small></p>
<h2>本篇引语</h2>
<p>《学而》是《论语》第一篇的篇名。《论语》中各篇一般都是以第一章的前二三个字作为该篇的篇名。《学而》一篇包括16章，内容涉及诸多方面。其中重点是
<strong>「吾日三省吾身」；「节用而爱人，使民以时」；「礼之用，和为贵」以及仁、孝、信等</strong>道德范畴。</p>
<h2>原文</h2>
<p>子曰：「<mark>学而时习之，不亦说乎？</mark>有朋自远方来，不亦乐乎？人不知，而不愠，不亦君子乎？」 </p>
</body>
|
知识点扩展：
Python int与string之间的转化
string–>int
1、10进制string转化为int
int(‘12')
2、16进制string转化为int
int(‘12', 16)
int–>string
1、int转化为10进制string
str(18)
2、int转化为16进制string
hex(18)
2 . 由于链家网上面选中第二页的时候，只是在页面后面多了一个“d2”, 如： http://sh.lianjia.com/ershoufang/pudong/d2 ， 所要想爬取更多的网页只需要循环更新requests 的页面URL
3 . 增加了一个循环之后，可以打印所有的爬取结果
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
from lxml import etree
import requests
import string
url = 'http://sh.lianjia.com/ershoufang/'
region = 'pudong'
price = 'p23'
finalURL = url+region+price
def spider_room(finallyURL):
r= requests.get(finallyURL)
html = requests.get(finalURL).content.decode('utf-8')
dom_tree = etree.HTML(html)
# all the messages
all_message = dom_tree.xpath("//ul[@class='js_fang_list']/li")
for index in range(len(all_message)):
print(all_message[index].xpath('string(.)').strip())
return
for i in range(20):
finallyURL = finalURL + '/d'+str(i)
spider_room(finallyURL)
|
4 . 爬取了20页的内容，可是内容的结果输出的形式并没有改变
以上就是python对网页文本的格式化实例方法的详细内容，更多关于python爬虫中网页文本的格式化的资料请关注服务器之家其它相关文章！
原文链接：https://www.py.cn/jishu/spider/34207.html