这里以爬取易文言的《二十五史》为例，共有176篇。http://ewenyan.com/contents/more/esws.html 代码如下：

注： 若爬取时出现编码错误，可以先查看网页的编码方式（鼠标右键–查看源文件），如下图所示。 这里的编码方式是gb2312，代码中对应改为了GBK。 结果如下：

由于1中的结果包含了所有的网页信息，而我需要的只是其中的文字部分，所以需要把代码部分以及多余的信息删除。 这里用到了replace()、findall()、sub()函数

findall()函数可以用正则表达式去找到你需要的文本信息，直接提取出来。如图所示。

replace()函数可以同时替换不同的字符。如图所示，把空格替换为无，“！”替换为“？”，把“111”替换为“0”。

若我们想把很多个不同的字符替换为同一个字符，那我们就可以使用sub()函数。 例如，在文本中可能会出现很多带标号①②③…的注释，我们需要把它们删除，那我就把这些注释标号都替换为空，如下图所示。

在2中删除完多余的信息后，需要对文本分句。这里以（！”|？”|。”|。|？|！）进行分句。如下图所示。 框①中对文本句子进行切分，框②对切分的内容组合（句子+标点） 最终的文本如下所示。