鲁达 文本处理其实是一个很大的题目，无法用文本处理这个名字来概括，从这里这一章开始，我们直接用子项目名做名称。
关键词：html代码
下面我们开始一个新的内容，就是从网页代码的文本文件中提取文字。网页代码，我们一般也叫他html代码。
下面我们有一个文本文件，内容如下
内容很长很长，我们仅仅取出一个屏幕，能做范例就好。
下面的题目是，从这个代码文件中，我们提取出要看的内容。为此，我们编写一个程序做个练习。这个程序的名字叫《网页代码中提取文字.py》。
先开始做第一件事，在不做任何修改的情况下，直接读取文本文件的内容。
于是我们编写了下面一个程序
阅读过前面文章的人，这个程序一看就懂，不用再解释了。运行后，显示效果如下
如果让我们从这段代码中读出里面的中文内容，我相信是非常困难的。
下面研究的课题就是，把中间有用的中文部分内容挑选出来，其他的代码部分去掉，还要尽量保持应该保持的段落，最后有条件的话，再把内容进行一下加工，最后保持文章的主体部分。总之，内容多多如何处理呢？
首先，我们将研究第一个问题，了解网页代码的基本知识。看下图
第一张图片，是一个网页的基本框架。第二张图片，我们对他进行了标注，绿色部分是网页的头部信息，红色部分是网页中的实质内容。黄色的圈圈，就是网页的全部代码。
网页的代码通常用尖括号把它标注出来，他有很多的特殊符号，本格式如下
<html></html>这两个是匹配的，中间就是网页代码具体的内容。
<body></body>这两个也是匹配的，中间是代码中文章体内容的具体部分。
<p></p>这两个也是匹配的，中间是文章段落的具体部分。
HTML语言，大部分内容都是这样配对的，个别的不配对。
由于内容实在太多，我们仅做最简单的介绍。只要掌握一个规律就可以啦，这个规律就是，代码一般都是用尖括号括起来的。
需要说明的是，网页代码我们可以随便打开一个网页，查看源代码就可以看到。我们研究的是通过取出文字的内容来研究文本处理的方法。