用python将html根据div标签转换为word，并将第一行标题作为文件名

您可以使用 python 库如 python-docx 来实现将 HTML 转换为 Word 文档。

以下是示例代码：

import re
from bs4 import BeautifulSoup
import requests
import docx

def html_to_word(html, file_name):
    soup = BeautifulSoup(html, 'html.parser')
    divs = soup.find_all('div')
    doc = docx.Document()
    for div in divs:
        doc.add_paragraph(div.text)
    doc.save(file_name + '.docx')

url = '<your html url>'
html = requests.get(url).text
file_name = re.findall(r'<h1>(.*?)</h1>', html)[0]
html_to_word(html, file_name)

在这段代码中，我们使用了 BeautifulSoup 库来解析 HTML 文件，然后通过获取所有的 div 标签并将其文本添加到 Word 文档中来实现将 HTML 转换为 Word。

同时，我们还使用了正则表达式从 HTML 文件中提取标题，并将其作为 Word 文档的文件名。

相关问题

使用requests或urllib库，以及bs4库爬取https://www.gdqy.edu.cn/gqxw1.htm网页内容。 爬取包括： 1、广轻新闻，即从以下入口进去的所有新闻 爬取的新闻内容以及保存方式： 1、爬取的内容 所有新闻只抽取有效的“标题”，“正文”文本内容，以及本新闻的url地址，其他内容忽略。 2、保存形式 将所有爬取的内容保存到gdqy目录中。 每条新闻保存到一个文件中，文件名以递增数字为文件名，后缀为.txt。比如第一条新闻保存到1.txt，第二条保存到2.txt。 在保存的文件中，第一行为url地址，第二行为标题（如无标题则是空行），第三行及之后是此新闻的正文内容。

好的，我已经了解您的要求。这是一个简单的Python爬虫项目，需要用到requests、urllib和BeautifulSoup(bs4)库。您可以在终端或命令行中输入以下命令来安装这些库：

pip install requests
pip install urllib
pip install bs4

接下来，您可以使用以下代码来爬取并保存网页内容：

import requests
from bs4 import BeautifulSoup

url = 'https://www.gdqy.edu.cn/gqxw1.htm'
response = requests.get(url)
html = response.content
soup = BeautifulSoup(html, 'html.parser')

# 获取所有新闻链接
news_links = [a['href'] for a in soup.find_all('a', class_='tit')]

# 爬取并保存每条新闻
for i, link in enumerate(news_links):
    news_url = url.rsplit('/', 1)[0] + '/' + link  # 构造新闻链接
    news_response = requests.get(news_url)
    news_html = news_response.content
    news_soup = BeautifulSoup(news_html, 'html.parser')

    # 获取新闻标题和正文内容
    title = news_soup.find('h1').text
    content = '\n'.join([p.text.strip() for p in news_soup.find_all('div', class_='TRS_Editor')[0].find_all('p')])

    # 保存新闻内容到文件
    with open(f'gdqy/{i+1}.txt', 'w', encoding='utf-8') as f:
        f.write(news_url + '\n')
        f.write(title + '\n')
        f.write(content)

这段代码会先获取https://www.gdqy.edu.cn/gqxw1.htm页面中所有新闻的链接，然后遍历每个链接，爬取对应新闻的标题和正文内容，并将它们保存到以递增数字为文件名的txt文件中，文件保存在gdqy目录中。

希望能帮助到您！

将所有爬取的内容保存到目录中。 每条新闻保存到一个文件中，文件名以递增数字为文件名，后缀为.txt。比如第一条新闻保存到1.txt，第二条保存到2.txt

好的，你可以使用以下 Python 代码实现：

import os
import requests
from bs4 import BeautifulSoup


def save_news(url):
    # 发送 HTTP 请求，获取网页内容
    response = requests.get(url)
    soup = BeautifulSoup(response.content, 'html.parser')

    # 解析网页，获取新闻标题和正文内容
    title_tag = soup.find('h1')
    if title_tag is None:
        title = ''
    else:
        title = title_tag.get_text().strip()
    content_tags = soup.find_all('div', class_='content')
    content = '\n'.join([tag.get_text().strip() for tag in content_tags])

    # 生成保存文件的路径和文件名
    dir_path = 'news'
    if not os.path.exists(dir_path):
        os.makedirs(dir_path)
    file_name = f'{len(os.listdir(dir_path)) + 1}.txt'
    file_path = os.path.join(dir_path, file_name)

    # 将新闻内容写入文件
    with open(file_path, 'w', encoding='utf-8') as f:
        f.write(url + '\n')
        f.write(title + '\n\n')
        f.write(content)


if __name__ == '__main__':
    urls = [
        'https://www.example.com/article/1',
        'https://www.example.com/article/2',
        'https://www.example.com/article/3'
    ]
    for url in urls:
        save_news(url)

你可以将需要爬取的网页 URL 存放在 `urls` 列表中，然后运行代码即可将新闻内容保存到 `news` 目录中。每条新闻保存在以递增数字为文件名的 `.txt` 文件中，文件名为新闻的标题。其中，第一行为新闻的 URL，第二行为新闻标题，第三行及之后为新闻的正文内容。