1、核心代码如下：driver.find_elements_by_xpath(//div[@class=lemma-summary]/div)PS：Selenium更多应用于自动化测试，推荐Python爬虫使用scrapy等开源工具。
创新互联建站主要从事网站建设、成都网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务滨州,十载网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220
2、在python里，可以把函数赋值给一个变量，python的变量指向的是一个内存段地址，它可以是任何对象，当你把对象赋值给一个变量，这个变量就指向了这个对象的地址，表面上看，这个变量就变成了那个对象。在闭包操作中很常见。
3、X_train是二维的，表示多组特征值，每一组有好几个特征值。那个warning提示是说代码中有0除危险，看一下哪句除法的分母可能是0，要保证它不会出现除以0的情况。
1、Scikit-Learn 在机器学习和数据挖掘的应用中，Scikit-Learn是一个功能强大的Python包，我们可以用它进行分类、特征选择、特征提取和聚集。
2、Scikit-Learn Scikit-Learn基于Numpy和Scipy，是专门为机器学习建造的一个Python模块，提供了大量用于数据挖掘和分析的工具，包括数据预处理、交叉验证、算法与可视化算法等一系列接口。
3、第scikit-learn scikit-learn项目诞生于2010年，目前已成为Python编程者首选的机器学习工具包。仅仅七年，scikit-learn就拥有了全世界1500位代码贡献者。
1、TfidfTransformer用于统计vectorizer中每个词语的TFIDF值。将原始文档的集合转化为tf-idf特性的矩阵，相当于CountVectorizer配合TfidfTransformer使用的效果。即TfidfVectorizer类将CountVectorizer和TfidfTransformer类封装在一起。
2、在文本分类之中，首先分词，然后将分词之后的文本进行tfidf计算，并向量化（这一部分是核心），最后利用传统机器学习算法进行分类就可以了。因此我要在这里重点学习一下。
3、python中使用TfidfVectorizer函数实现TF-IDF特征的提取，生成每个text的TF-IDF特征。
4、用sklearn库中的原生方法CountVectorizer、TfidfVectorizer等得到矩阵；每个短文本计算对应得到的向量，采用K-Means聚类的方法进行非监督学习。文本分类的大致思路基本上就如上所述，具体的细节调整就视实际情况而定。
