抓取新闻文章数据并在 Word 中格式化结果

Question

对于文章 URL 列表，我需要抓取文章的标题、作者、日期、出版物和正文。然后每篇文章都需要出现在 Word 中，并根据模板进行格式化（粗体标题、斜体 pub、顶部带有超链接的目录等）。

Answer 1

我过去曾使用过其中的一些，我会向您推荐两件事来清理 HTML 代码并获取文本：

• html2text: 从 html 代码中获取文本的库
• Regular expressions：可用于删除 HTML 表达式的 Python 模块

（注意正则表达式，在某些情况下可能会丢失一些数据或一些字符串）

对于 Word，我会推荐这个：

• python-docs：在 Python 中使用 MS Word 的库。

PS：这只是一份简历。如果你只使用 SO 搜索器，你会得到很多结果。