我用Python在网上复制文字的几种实用方法

Posted 2021-02-20 python0921

 

 

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：老肥码码码

如果你处于想学Python或者正在学习Python，Python的教程不少了吧，但是是最新的吗？说不定你学了可能是两年前人家就学过的内容，在这小编分享一波2020最新的Python教程。获取方式，私信小编 “ 资料 ”，即可免费获取哦！

平常学习或是工作需要，我们会想要复制网页上的文字内容，但是现在的网页非常不单纯，我简单列举几个我遇到的网页,当我看中了网页上的内容，想要复制其内容的时候，各种二维码，VIP的限制页面便会弹出，而这些无一例外地对我们充分利用网络资源形成了限制，造成了困扰。

 

那么如何解决这个问题呢，我还是使用Python来帮忙，你可能会提及爬虫，因为我们的应用场景是复制少量文字到自己的电脑上，没有必要大张旗鼓地写出爬虫，况且这些资源并非来源于同一网站，爬取难度也很难说得清楚。

我这有两种方法。其一，观察需要复制的网站的页面源代码，如果所需要复制内容的就在源代码之中，我们可以使用正则表达式将所需复制的内容完整地提取。

 

比如上面这样的情况，我们需要复制的内容就在源代码之中，其中夹杂了部分html的标签，这里使用反向的思维，我们不用正则提取所有汉字（我也尝试了一下，但效果不佳），而是使用正则将这些标签去除。

pattern=re.compile(‘<(.*?)>‘)
a=re.sub(pattern,‘‘,string)

 

 

可见所有需要复制的内容已经舒服地躺在剪切板上了，任我们鱼肉。

但在一部分网页上，我们想要复制地内容不存在于网页源代码中，分析起来可能较为复杂。因而就有了方法二，将所需复制的内容部分截图，使用OCR将图片中的所有文字识别出来。

 

比如我们想复制上面这部分文字，直接使用tesserocr是否可行呢？当然可行，只是我们需要额外下载中文的语言包，在代码中作一些小小的改变。

image=Image.open(img)
result=tesserocr.image_to_text(image,lang=‘chi_sim‘)

 

同样可以得到不错的效果，这两种方法都只使用了极其少量的代码，就解决了在网页上复制文字的困境，希望对大家有些许帮助~