如何从html页面中提取文本？

例如网页是链接：

https://www.architecture.com/FindAnArchitect/FAAPractices.aspx?display=50

我必须知道公司名称及其地址和网站。我尝试了以下方法将 html 转换为文本：

import nltk   
from urllib import urlopen

url = "https://www.architecture.com/FindAnArchitect/FAAPractices.aspx display=50"    
html = urlopen(url).read()    
raw = nltk.clean_html(html)  
print(raw)

但它返回错误：

ImportError: cannot import name 'urlopen

彼得·伍德已经回答了你的问题（link).

import urllib.request

uf = urllib.request.urlopen(url)
html = uf.read()

但如果您想提取数据（例如公司名称、地址和网站），那么您将需要获取 HTML 源并使用 HTML 解析器对其进行解析。

我建议使用requests用于获取 HTML 源代码和BeautifulSoup解析生成的 HTML 并提取您需要的文本。

这是一个小片段，可以让您抢占先机。

import requests
from bs4 import BeautifulSoup

link = "https://www.architecture.com/FindAnArchitect/FAAPractices.aspx?display=50"

html = requests.get(link).text

"""If you do not want to use requests then you can use the following code below 
   with urllib (the snippet above). It should not cause any issue."""
soup = BeautifulSoup(html, "lxml")
res = soup.findAll("article", {"class": "listingItem"})
for r in res:
    print("Company Name: " + r.find('a').text)
    print("Address: " + r.find("div", {'class': 'address'}).text)
    print("Website: " + r.find_all("div", {'class': 'pageMeta-item'})[3].text)