文本處理其實是一個很大的題目，無法用文本處理這個名字來概括，從這裡這一章開始，我們直接用子項目名做名稱。
關鍵詞：HTML代碼
下面我們開始一個新的内容，就是從網頁代碼的文本文件中提取文字。網頁代碼，我們一般也叫他html代碼。
下面我們有一個文本文件，内容如下
内容很長很長，我們僅僅取出一個屏幕，能做範例就好。
下面的題目是，從這個代碼文件中，我們提取出要看的内容。為此，我們編寫一個程序做個練習。這個程序的名字叫《網頁代碼中提取文字.py》。
先開始做第一件事，在不做任何修改的情況下，直接讀取文本文件的内容。
于是我們編寫了下面一個程序
閱讀過前面文章的人，這個程序一看就懂，不用再解釋了。運行後，顯示效果如下
如果讓我們從這段代碼中讀出裡面的中文内容，我相信是非常困難的。
下面研究的課題就是，把中間有用的中文部分内容挑選出來，其他的代碼部分去掉，還要盡量保持應該保持的段落，最後有條件的話，再把内容進行一下加工，最後保持文章的主體部分。總之，内容多多如何處理呢？
首先，我們将研究第一個問題，了解網頁代碼的基本知識。看下圖
第一張圖片，是一個網頁的基本框架。第二張圖片，我們對他進行了标注，綠色部分是網頁的頭部信息，紅色部分是網頁中的實質内容。黃色的圈圈，就是網頁的全部代碼。
網頁的代碼通常用尖括号把它标注出來，他有很多的特殊符号，本格式如下
<html></html>這兩個是匹配的，中間就是網頁代碼具體的内容。
<body></body>這兩個也是匹配的，中間是代碼中文章體内容的具體部分。
<p></p>這兩個也是匹配的，中間是文章段落的具體部分。
HTML語言，大部分内容都是這樣配對的，個别的不配對。
由于内容實在太多，我們僅做最簡單的介紹。隻要掌握一個規律就可以啦，這個規律就是，代碼一般都是用尖括号括起來的。
需要說明的是，網頁代碼我們可以随便打開一個網頁，查看源代碼就可以看到。我們研究的是通過取出文字的内容來研究文本處理的方法。
,更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!
zpostcode 
Recruit 
weather 
mreligion 
Yellowpages 
sport 
constellation 
shopping 
name 
game 
directory 
literature 
Word 
tour 
furnish 
Lottery 
tftnews 
lyrics 
News 
digital 
car 
dir 
Edu 
Finance 
