Данные, которые вы получаете, поступают только из блога, поэтому, поскольку вы не указываете, что именно вы хотите, вы получаете все.
Предполагая, что вы хотите только
Затем вы должны указать красивому супу именно эту часть и ничего более.
Ваш код читает все со страницы:
вывод:
नाबर की नंबर
स्वभाषेत टंकलेखन साहाय्य
२९ जानेवारी २०२०
नाबर की नंबर
गुगलने मशीन लर्निंगचा वापर करून सर्च रिझल्ट दाखवायला सुरुवात केली त्याला आता फार नाही पण एक दोनच महिने झाले असतील
काही बाबतीत रिझल्टमध्ये सुधारणा झाली असली तरी इतर बऱ्याच बाबतीत आणि विशेषतः देवनागरी सर्चची क्वालिटी घसरलेली दिसते आज मी मंगेश नाबर या व्यक्तीची माहिती गुगलून पाहिली तर मंगेश आणि नंबर हे दोन शब्द असलेली पाने पहिल्या पानावर दिसत आहेत बहुतेक गुगलने नाबर या शब्दाला बदलून नंबर केले असावे
द्वारा पोस्ट केलेले
येथे
१० ०४ म पू
लेबल
हे राम
कोणत्याही टिप्पण् या नाहीत
टिप्पणी पोस्ट करा
नवीनतम पोस्ट
थोडे जुने पोस्ट
मुख्यपृष्ठ
याची सदस्यता घ्या
टिप्पणी पोस्ट करा
ब्लॉग संग्रहण
मनोगताचा स्पेल चेकर
बसलय की बसलंय
नाबर की नंबर
स्पर्धापरीक्षेचा खरा धोका
माझ्याबद्दल
माझे पूर्ण प्रोफाइल पहा
ल क म ळव ल क म ळव वर श अर कर ह ब ल गकर ह ब ल गकर वर श अर कर वर श अर कर ईम ल ईम ल अध क व च न बर क न बर न बर क न बर स प दन ल क क ल पब र डवर क प क ल ठ क आह ल क प स ट कर न बर क न बर ग गलन मश न लर न गच व पर कर न सर च र झल ट द खव यल स र व त क ल त य ल आत फ र न ह पण एक द नच मह न झ ल असत ल
ल ड ह त आह
Но с:
from bs4 import BeautifulSoup
import requests, re
url = "http://shabdasampada.blogspot.com/2020/01/blog-post_29.html"
headers = requests.utils.default_headers()
req = requests.get(url, headers)
soup = BeautifulSoup(req.content, 'html.parser')
h=soup.find_all('div', attrs={'class':"post hentry uncustomized-post-template"})[0]
text = h.get_text()
p = re.compile(r'[^\u0900-\u097F\n]')
for line in text.splitlines():
cleaned = p.sub(' ', line)
if cleaned.strip():
print(cleaned)
вывод будет:
नाबर की नंबर
गुगलने मशीन लर्निंगचा वापर करून सर्च रिझल्ट दाखवायला सुरुवात केली त्याला आता फार नाही पण एक दोनच महिने झाले असतील
काही बाबतीत रिझल्टमध्ये सुधारणा झाली असली तरी इतर बऱ्याच बाबतीत आणि विशेषतः देवनागरी सर्चची क्वालिटी घसरलेली दिसते आज मी मंगेश नाबर या व्यक्तीची माहिती गुगलून पाहिली तर मंगेश आणि नंबर हे दोन शब्द असलेली पाने पहिल्या पानावर दिसत आहेत बहुतेक गुगलने नाबर या शब्दाला बदलून नंबर केले असावे
द्वारा पोस्ट केलेले
येथे
१० ०४ म पू
लेबल
हे राम
вы можете видеть, что я указал div, в котором есть данные, которые вам нужны
h=soup.find_all('div', attrs={'class':"post hentry uncustomized-post-template"})[0]
, чтобы проверить это, вам нужно будет проверить html веб-страницы, чтобы точно знать, где находятся нужные вам данные. Для этого вы можете использовать Ctrl + Shift + i в chrome.
Я бы посоветовал вам просмотреть этот пост для получения дополнительной информации
Для вашего последнего вопрос
ненужные данные, которые вы видите, поступают только с вашего сайта.
BeautifulSoup получает данные из источника страницы, и, поскольку вы не упомянули никаких условий, сообщающих ему, какие данные вам нужны, вы получите все из них. Чтобы понять, откуда поступают ваши нежелательные данные, посмотрите на источник страницы вашего сайта.
если вы посмотрите на исходный код страницы, то найдете этот мусор в конце кода html.
This является источником всего этого мусора, который вы видите в выходных данных.
Если вы сделаете это изменение: вместо 'cleaned' print 'line'
p = re.compile(r'[^\u0900-\u097F\n]')
for line in text.splitlines():
cleaned = p.sub(' ', line)
if cleaned.strip():
print(line)
вы таким образом, в конечном итоге вы увидите много ненужных данных ... эти ненужные данные фактически присутствуют в исходном коде вашей страницы и в этом коде, поскольку вы фильтровали только для определенного набора символов c, вы видели только эти