- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我目前正在开发一些代码来从网站上抓取文本。我对抓取整个页面不感兴趣,而只是抓取包含某些词的页面部分。我已经使用 .find_all("p") 命令对大多数 URL 做到了这一点,但这不适用于指向 PDF 的 URL。
我似乎无法找到将 PDF 作为文本打开然后将文本分成段落的方法。这就是我想要做的:首先 1) 打开一个 PDF 嵌入的 URL 作为文本,和 2) 将这个文本分成多个段落。这样,我只能抓取包含特定单词的段落。
下面是我目前用来为“普通”URL 抓取包含某些词的段落的代码。非常感谢任何使这项工作适用于 PDF 嵌入 URL 的提示(例如变量“url2”,下面的代码)!
from urllib.request import Request, urlopen
from bs4 import BeautifulSoup
import re
url1 = "https://brainybackpackers.com/best-places-for-whale-watching-in-the-world/"
url2 = "https://www.environment.gov.au/system/files/resources/7f15bfc1-ed3d-40b6-a177-c81349028ef6/files/aust-national-guidelines-whale-dolphin-watching-2017.pdf"
url = url1
req = Request(url, headers={"User-Agent": 'Mozilla/5.0'})
page = urlopen(req, timeout = 5) # Open page within 5 seconds. This line skips 'empty' websites
htmlParse = BeautifulSoup(page.read(), 'lxml')
SearchWords = ["orca", "killer whale", "humpback"] # text must contain these words
# Check if the article text mentions the SearchWord(s). If so, continue the analysis.
if any(word in htmlParse.text for word in SearchWords):
textP = ""
text = ""
# Look for paragraphs ("p") that contain a SearchWord
for word in SearchWords:
print(word)
for para in htmlParse.find_all("p", text = re.compile(word)):
textParagraph = para.get_text()
textP = textP + textParagraph
text= text + textP
print(text)
最佳答案
您可以尝试的一件事是 pdfminer.six package .导入后,我们可以使用 pdfminer.high_level.extract_text()
函数。通过导入它,我们可以抓取一个 pdf:
import pdfminer.high_level as pdfminer
infile = "my/file/path.pdf" # file you want to turn into text
out_text = pdfminer.extract_text(infile) # extract the text to out_file var
# out_text now contains a string of your pdf contents
应该注意的是,extract_text
函数适用于本地文件,因此我们需要将 pdf 保存到某个本地缓冲区,您可以稍后删除该缓冲区。如果您使用的是类 Unix 操作系统,我会说类似 /tmp/
的内容。
转到您的实现,我相信您会想要这样的东西:
import pdfminer.high_level as pdfminer
import requests
# get the pdf and save it
url = "https://www.environment.gov.au/system/files/resources/7f15bfc1-ed3d-40b6-a177-c81349028ef6/files/aust-national-guidelines-whale-dolphin-watching-2017.pdf"
response = requests.get(url)
pdf_name = url.split('/')[-1] # everything right of the last slash
pdf_path = "/tmp/" + pdf_name # CHANGE TO WHATEVER "BUFFER" FOLDER YOU WANT
# save the pdf locally to be used with the pdf parser
with open(pdf_path,'wb') as outfile:
outfile.write(response.content)
# read the contents of the pdf into the out_text var
out_text = pdfminer.extract_text(pdf_path)
# out_text now contains a string of your pdf contents
从这里你应该可以自由地抓取你想要的一切。
关于python - 只抓取 PDF 嵌入 URL 中包含特定单词的段落,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/67268377/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!