Python 中的 Beautiful Soup 库可以很方便的从网页中提取 HTML 内容。
今天我们将讨论如何使用 Beautiful Soup 库从 HTML 页面中提取内容,之后,我们将使用它将其转换为 Python 列表或字典。
什么是 Web 刮取,为什么我需要它?
答案很简单:并非每个网站都有获取内容的 API。你可能想从你最喜欢的烹饪网站上获取食谱,或者从旅游博客上获取照片。如果没有 API,提取 HTML(或者说 刮取 可能是获取内容的唯一方法。我将向你展示如何使用 Python 来获取。
并非所以网站都喜欢被刮取,有些网站可能会明确禁止。请于网站所有者确认是否同意刮取。
Python 如何刮取网站?
使用 Python 进行刮取,我们将执行三个基本步骤:
- 使用
requests
库获取 HTML 内容 - 分析 HTML 结构并识别包含我们需要内容的标签
- 使用 Beautiful Soup 提取标签并将数据放入 Python 列表中
安装库
首先安装我们需要的库。requests
库从网站获取 HTML 内容,Beautiful Soup 解析 HTML 并将其转换为 Python 对象。在 Python3 中安装它们,运行:
pip3 install requests beautifulsoup4
- 1.
提取 HTML
在本例中,我将选择刮取网站的 Techhology 部分。如果你跳转到此页面,你会看到带有标题、摘录和发布日期的文章列表。我们的目标是创建一个包含这些信息的文章列表。
网站页面的完整 URL 是:
https://notes.ayushsharma.in/technology
- 1.
我们可以使用 requests
从这个页面获取 HTML 内容:
#!/usr/bin/python3
import requests
-
url = 'https://notes.ayushsharma.in/technology'
-
data = requests.get(url)
-
print(data.text)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
变量 data
将包含页面的 HTML 源代码。
从 HTML 中提取内容
为了从 data
中提取数据,我们需要确定哪些标签具有我们需要的内容。
如果你浏览 HTML,你会发现靠近顶部的这一段:
<div class="col">
<a href="/2021/08/using-variables-in-jekyll-to-define-custom-content" class="post-card">
<div class="card">
<div class="card-body">
<h5 class="card-title">Using variables in Jekyll to define custom content</h5>
<small class="card-text text-muted">I recently discovered that Jekyll's config.yml can be used to define custom
variables for reusing content. I feel like I've been living under a rock all this time. But to err over and
over again is human.</small>
</div>
<div class="card-footer text-end">
<small class="text-muted">Aug 2021</small>
</div>
</div>
</a>
</div>
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
这是每篇文章在整个页面中重复的部分。我们可以看到 .card-title
包含文章标题,.card-text
包含摘录,.card-footer > small
包含发布日期。
让我们使用 Beautiful Soup 提取这些内容。
#!/usr/bin/python3
import requests
from bs4 import BeautifulSoup
from pprint import pprint
-
url = 'https://notes.ayushsharma.in/technology'
data = requests.get(url)
-
my_data = []
-
html = BeautifulSoup(data.text, 'html.parser')
articles = html.select('a.post-card')
-
for article in articles:
-
title = article.select('.card-title')[0].get_text()
excerpt = article.select('.card-text')[0].get_text()
pub_date = article.select('.card-footer small')[0].get_text()
-
my_data.append({"title": title, "excerpt": excerpt, "pub_date": pub_date})
-
pprint(my_data)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
以上代码提取文章信息并将它们放入 my_data
变量中。我使用了 pprint
来美化输出,但你可以在代码中忽略它。将上面的代码保存在一个名为 fetch.py
的文件中,然后运行它:
python3 fetch.py
- 1.
如果一切顺利,你应该会看到:
[{'excerpt': "I recently discovered that Jekyll's config.yml can be used to"
"define custom variables for reusing content. I feel like I've"
'been living under a rock all this time. But to err over and over'
'again is human.',
'pub_date': 'Aug 2021',
'title': 'Using variables in Jekyll to define custom content'},
{'excerpt': "In this article, I'll highlight some ideas for Jekyll"
'collections, blog category pages, responsive web-design, and'
'netlify.toml to make static website maintenance a breeze.',
'pub_date': 'Jul 2021',
'title': 'The evolution of ayushsharma.in: Jekyll, Bootstrap, Netlify,'
'static websites, and responsive design.'},
{'excerpt': "These are the top 5 lessons I've learned after 5 years of"
'Terraform-ing.',
'pub_date': 'Jul 2021',
'title': '5 key best practices for sane and usable Terraform setups'},
-
... (truncated)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
以上是全部内容!在这 22 行代码中,我们用 Python 构建了一个网络刮取器,你可以在 我的示例仓库中找到源代码。
总结
对于 Python 列表中的网站内容,我们现在可以用它做一些很酷的事情。我们可以将它作为 JSON 返回给另一个应用程序,或者使用自定义样式将其转换为 HTML。随意复制粘贴以上代码并在你最喜欢的网站上进行试验。
玩的开心,继续编码吧。