V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1926 天前的主题，其中的信息可能已经有所发展或是发生改变。

比如一个新闻网站个结构如下:

<title>title</title>

some text

像这种图片和文本交叉的 html，如何记录图片和新闻内容的相对位置呢，我希望得到这样的结果

text1

img_url

text2

img_url

有没有比较好的方法

11 条回复 • 2019-09-02 15:54:19 +08:00

AX5N

2019-08-15 00:12:05 +08:00

都快 2020 年了，还有韩粉

favourstreet

2019-08-15 00:12:27 +08:00 via Android

楼主前端知识过关却还来问这种问题的话应该是想取巧，但是我也不知道这种事怎么取巧，所以当一回老实人告诉楼主：文档对象模型，楼主需要解析 DO ……不对，更适合楼主的答案应该是，用数组！对，字符串数组，你看你给出的希望的结果不是字符串数组吗……

AX5N

2019-08-15 00:15:24 +08:00

相对位置是渲染出来的相对位置，还是代码的相对位置？
记录你是想怎么记录，你是想知道正文<p>有哪些兄弟节点？

axlecho

2019-08-15 02:45:55 +08:00 via Android

不太明白你的目的
解析成这样，还不如直接保存整个 doc.

ant2017

2019-08-15 07:04:22 +08:00 via Android

列表？

annielong

2019-08-15 09:12:09 +08:00

提取内容，输出时候换行，还第一次见要相对位置的

ZeldaPeach

2019-08-15 09:19:04 +08:00

用 CSS Selector 同时选取图片和文本 img+p

littlecowherd

2019-08-15 09:27:10 +08:00

**用正则，去掉 HTML 标签，保留标签内文本。**
想保留图片的话，可以先用正则把 img 标签处理下：
1. 将<img src="">替换成{img src=""}
2. 删除 script 和 style 及 comment 等无用标签。
3. 将标签符号替换为空：re.sub(r'<[\s\S]*?>', "", body)
这样大概能完成你得需求。如果还想保留换行的话，可以将</p>、<br>等标签替换为换行符，需要在第 3 步之前执行。

keepeye

2019-08-15 09:29:42 +08:00

先用正则提取出所有 img 标签到一个数组
再用正则按 img 标签 split 文字内容到一个数组
然后遍历两个数组，添加到一个新的数组中

enrolls

2019-08-21 11:16:25 +08:00

1. 去掉无用标签
2. 定位正文的 dom
3. 对 dom 进行按 HTML tags 输出

ChineseOldSober

2019-09-02 15:54:19 +08:00

这个我做过。
1. 网页直接 dom_str = response.text 处理成一个大字符串;
2. 将你的段们和图片对应的文字拿出来作为索引的自变量;
3. 使用字符串的 index()来索引字符串在整个大字符串中的位置，

请教大佬个问题，爬虫爬取新闻，如何记录新闻内容和图片的相对位置

<title>title</title>

some text

text1

img_url

text2

img_url

img_url