我是靠谱客的博主 自由爆米花,最近开发中收集的这篇文章主要介绍文本提取及处理,觉得挺不错的,现在分享给大家,希望可以做个参考。

概述

文本提取及处理 

 标题提取:

 1 wljdeMacBook-Pro:Desktop wlj$ scrapy shell "http://wz.sun0769.com/html/question/201806/375913.shtml"
 2 2018-06-21 23:44:36 [scrapy.utils.log] INFO: Scrapy 1.5.0 started (bot: scrapybot)
 3 2018-06-21 23:44:36 [scrapy.utils.log] INFO: Versions: lxml 4.2.1.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.4.0, w3lib 1.19.0, Twisted 18.4.0, Python 3.6.5 (default, Apr 25 2018, 14:23:58) - [GCC 4.2.1 Compatible Apple LLVM 9.1.0 (clang-902.0.39.1)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0h  27 Mar 2018), cryptography 2.2.2, Platform Darwin-17.5.0-x86_64-i386-64bit
 4 2018-06-21 23:44:36 [scrapy.crawler] INFO: Overridden settings: {'DUPEFILTER_CLASS': 'scrapy.dupefilters.BaseDupeFilter', 'LOGSTATS_INTERVAL': 0}
 5 2018-06-21 23:44:36 [scrapy.middleware] INFO: Enabled extensions:
 6 ['scrapy.extensions.corestats.CoreStats',
 7  'scrapy.extensions.telnet.TelnetConsole',
 8  'scrapy.extensions.memusage.MemoryUsage']
 9 2018-06-21 23:44:36 [scrapy.middleware] INFO: Enabled downloader middlewares:
10 ['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
11  'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
12  'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
13  'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
14  'scrapy.downloadermiddlewares.retry.RetryMiddleware',
15  'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
16  'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
17  'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
18  'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
19  'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
20  'scrapy.downloadermiddlewares.stats.DownloaderStats']
21 2018-06-21 23:44:36 [scrapy.middleware] INFO: Enabled spider middlewares:
22 ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
23  'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
24  'scrapy.spidermiddlewares.referer.RefererMiddleware',
25  'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
26  'scrapy.spidermiddlewares.depth.DepthMiddleware']
27 2018-06-21 23:44:36 [scrapy.middleware] INFO: Enabled item pipelines:
28 []
29 2018-06-21 23:44:36 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
30 2018-06-21 23:44:36 [scrapy.core.engine] INFO: Spider opened
31 2018-06-21 23:44:36 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://wz.sun0769.com/html/question/201806/375913.shtml> (referer: None)
32 [s] Available Scrapy objects:
33 [s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
34 [s]   crawler    <scrapy.crawler.Crawler object at 0x102d30c88>
35 [s]   item       {}
36 [s]   request    <GET http://wz.sun0769.com/html/question/201806/375913.shtml>
37 [s]   response   <200 http://wz.sun0769.com/html/question/201806/375913.shtml>
38 [s]   settings   <scrapy.settings.Settings object at 0x103b276d8>
39 [s]   spider     <DefaultSpider 'default' at 0x103ddfc18>
40 [s] Useful shortcuts:
41 [s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
42 [s]   fetch(req)                  Fetch a scrapy.Request and update local objects 
43 [s]   shelp()           Shell help (print this help)
44 [s]   view(response)    View response in a browser
45 >>> response.url
46 'http://wz.sun0769.com/html/question/201806/375913.shtml'
47 >>> from scrapy.linkextractors import LinkExtractor
48 >>> response.xpath('//div[@class="pagecenter p3"]//strong/text()').extract()[0]
49 ' 提问:森林湖路乱停乱放xa0xa0编号:189251xa0xa0'
50 >>> 

 正文提取:

1 >>> response.xpath('//div[@class="c1 text14_2"]/text()').extract()[0]
2 'xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。'
3 >>> response.xpath('//div[@class="c1 text14_2"]/text()').extract()
4 ['xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。', 'xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。', 'xa0xa0xa0xa0    请多派警力加强执法。']
5 >>> 

 python3中处理:

 1 wljdeMacBook-Pro:~ wlj$ python3
 2 Python 3.6.5 (default, Apr 25 2018, 14:23:58) 
 3 [GCC 4.2.1 Compatible Apple LLVM 9.1.0 (clang-902.0.39.1)] on darwin
 4 Type "help", "copyright", "credits" or "license" for more information.
 5 >>> strs = ' 提问:森林湖路乱停乱放xa0xa0编号:189251xa0xa0'
 6 >>> strs.split(' ')[-1].split(":")[-1]
 7 '189251xa0xa0'
 8 >>> strs.split(' ')[-1].split(":")[-1].strip()
 9 '189251'
10 >>> lists = ['xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的 停,还衍生出噪音问题。', 'xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。', 'xa0xa0xa0xa0    请多派警力加强执法。']
11 >>> lists
12 ['xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。', 'xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。', 'xa0xa0xa0xa0    请多派警力加强执法。']
13 >>> string = "".join(lists)
14 >>> string
15 'xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0    请多派警力加强执法。'
16 >>> string = "*****".join(lists)
17 >>> string
18 'xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。*****xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。*****xa0xa0xa0xa0    请多派警力加强执法。'
19 >>> string = "".join(lists)
20 >>> string
21 'xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0    请多派警力加强执法。'
22 >>> string.replace(" ","")
23 'xa0xa0xa0xa0南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0请多派警力加强执法。'
24 >>> string.strip()
25 '南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0    请多派警力加强执法。'
26 >>> string.lstrip()
27 '南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0    请多派警力加强执法。'
28 >>> string.rstrip()
29 'xa0xa0xa0xa0    南城森林湖楼盘的森林湖路,车辆乱停乱放越趋严重。现在四车道的马路,一到晚上经常占用2~3条车道,严重影响通行、造成行车安全隐患。严重的乱停,还衍生出噪音问题。xa0xa0xa0xa0    而且这条路不知为何经常有大货车出入,每当有大货车出入,必造成拥堵。xa0xa0xa0xa0    请多派警力加强执法。'
30 >>> 

 

转载于:https://www.cnblogs.com/wanglinjie/p/9211566.html

最后

以上就是自由爆米花为你收集整理的文本提取及处理的全部内容,希望文章能够帮你解决文本提取及处理所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(49)

评论列表共有 0 条评论

立即
投稿
返回
顶部