请教大佬个问题，爬虫爬取新闻，如何记录新闻内容和图片的相对位置

[zhanbiqiyu]

比如一个新闻网站个结构如下:

<title>title</title>

some text

像这种图片和文本交叉的 html，如何记录图片和新闻内容的相对位置呢，我希望得到这样的结果

text1

img_url

text2

img_url

img_url

有没有比较好的方法

[AX5N]

都快 2020 年了，还有韩粉

[favourstreet]

楼主前端知识过关却还来问这种问题的话应该是想取巧，但是我也不知道这种事怎么取巧，所以当一回老实人告诉楼主：文档对象模型，楼主需要解析 DO ……不对，更适合楼主的答案应该是，用数组！对，字符串数组，你看你给出的希望的结果不是字符串数组吗……

[AX5N]

相对位置是渲染出来的相对位置，还是代码的相对位置？
记录你是想怎么记录，你是想知道正文<p>有哪些兄弟节点？

[axlecho]

不太明白你的目的
解析成这样，还不如直接保存整个 doc.

[ant2017]

列表？

[annielong]

提取内容，输出时候换行，还第一次见要相对位置的

[ZeldaPeach]

用 CSS Selector 同时选取图片和文本 img+p

[littlecowherd]

**用正则，去掉 HTML 标签，保留标签内文本。**
想保留图片的话，可以先用正则把 img 标签处理下：
1. 将<img src="">替换成{img src=""}
2. 删除 script 和 style 及 comment 等无用标签。
3. 将标签符号替换为空：re.sub(r'<[\s\S]*?>', "", body)
这样大概能完成你得需求。如果还想保留换行的话，可以将</p>、<br>等标签替换为换行符，需要在第 3 步之前执行。

[keepeye]

先用正则提取出所有 img 标签到一个数组
再用正则按 img 标签 split 文字内容到一个数组
然后遍历两个数组，添加到一个新的数组中

[enrolls]

1. 去掉无用标签
2. 定位正文的 dom
3. 对 dom 进行按 HTML tags 输出

[ChineseOldSober]

这个我做过。
1. 网页直接 dom_str = response.text 处理成一个大字符串;
2. 将你的段们和图片对应的文字拿出来作为索引的自变量;
3. 使用字符串的 index()来索引字符串在整个大字符串中的位置，