Python商业数据挖掘实战——爬取网页并将其转为Markdown




import requests
from bs4 import BeautifulSoup
import re
import os
 
# 定义一个函数来下载并保存图片
def download_image(url, filename):
    response = requests.get(url)
    with open(filename, 'wb') as file:
        file.write(response.content)
 
# 定义一个函数来处理HTML内容,转换为Markdown格式
def convert_to_markdown(html_content):
    soup = BeautifulSoup(html_content, 'html.parser')
    
    # 替换标题
    for title in soup.find_all('h1'):
        title.name = 'h3'
    
    # 替换图片为Markdown格式
    for img in soup.find_all('img'):
        src = img['src']
        filename = os.path.basename(src)
        download_image(src, filename)
        img['src'] = filename
        img['alt'] = f"![{filename}]({filename})    
    # 替换段落
    for p in soup.find_all('p'):
        p.name = 'blockquote'
    
    # 转换剩余HTML标签为Markdown格式
    markdown_content = soup.encode_contents()
    return markdown_content
 
# 示例HTML内容
html_content = """
<h1>标题</h1>
<p>这是一段文字。</p>
<img src="http://example.com/image.jpg" alt="示例图片">
"""
 
# 转换并打印结果
markdown_content = convert_to_markdown(html_content)
print(markdown_content)

这个代码示例展示了如何使用Python的requests库、BeautifulSoup库以及正则表达式来下载网页中的图片,并将HTML内容转换为Markdown格式。代码简洁明了,注重实用性,可以作为实际项目中的参考。

最后修改于:2024年08月16日 10:24

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日