今天我們將討論如何使用 BeautifulSoup 庫(kù)從 HTML 頁(yè)面中提取內(nèi)容。提取后，我們將使用 BeautifulSoup 將其轉(zhuǎn)換為 Python 列表或字典！
什么是網(wǎng)頁(yè)抓??？
簡(jiǎn)單的答案是：并非每個(gè)網(wǎng)站都有用于獲取內(nèi)容的 API。您可能想從您最喜歡的烹飪網(wǎng)站獲取食譜或從旅游博客獲取照片。如果沒(méi)有 API，提取 HTML 或抓取可能是獲取該內(nèi)容的唯一方法。我將向您展示如何在 Python 中執(zhí)行此操作。
注意：并非所有網(wǎng)站都喜歡抓取，有些網(wǎng)站可能會(huì)明確禁止。與網(wǎng)站所有者核對(duì)是否可以抓取。
如何在 Python 中抓取網(wǎng)站？
為了讓網(wǎng)絡(luò)抓取在 Python 中工作，我們將執(zhí)行 3 個(gè)基本步驟：
- 使用請(qǐng)求庫(kù)提取 HTML 內(nèi)容。
- 分析 HTML 結(jié)構(gòu)并識(shí)別包含我們內(nèi)容的標(biāo)簽。
- 使用 BeautifulSoup 提取標(biāo)簽并將數(shù)據(jù)放入 Python 列表中。
安裝庫(kù)
讓我們首先安裝我們需要的庫(kù)。請(qǐng)求從網(wǎng)站獲取 HTML 內(nèi)容。BeautifulSoup 解析 HTML 并將其轉(zhuǎn)換為 Python 對(duì)象。要為 Python 3 安裝這些，請(qǐng)運(yùn)行：
pip3 install requests beautifulsoup4
提取 HTML
在這個(gè)例子中，我將選擇抓取網(wǎng)站的技術(shù)部分。如果您轉(zhuǎn)到該頁(yè)面，您將看到一個(gè)包含標(biāo)題、摘錄和發(fā)布日期的文章列表。我們的目標(biāo)是創(chuàng)建一個(gè)包含該信息的文章列表。
技術(shù)頁(yè)面的完整 URL 是：
https://notes.ayushsharma.in/technology
我們可以使用 Requests 從此頁(yè)面獲取 HTML 內(nèi)容：
#!/usr/bin/python3
import requests
url = 'https://notes.ayushsharma.in/technology'
data = requests.get(url)
print(data.text)
該變量data將包含頁(yè)面的 HTML 源代碼。
從 HTML 中提取內(nèi)容
要從 中接收到的 HTML 中提取我們的數(shù)據(jù)data，我們需要確定哪些標(biāo)簽具有我們需要的內(nèi)容。
如果您瀏覽 HTML，您會(huì)在頂部附近找到此部分：
HTML：
<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>這是在每篇文章的整個(gè)頁(yè)面中重復(fù)的部分。我們可以看到.card-title有文章標(biāo)題、.card-text摘錄和.card-footer > small發(fā)布日期。
讓我們使用 BeautifulSoup 提取這些內(nèi)容。
Python：
#!/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)上面的代碼將提取文章并將它們放入my_data變量中。我正在使用pprint漂亮打印輸出，但您可以在自己的代碼中跳過(guò)它。將上面的代碼保存在一個(gè)名為 的文件中fetch.py，然后使用以下命令運(yùn)行它：
python3 fetch.py
如果一切順利，您應(yīng)該會(huì)看到：
Python：
[{'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)這就是全部！在 22 行代碼中，我們用 Python 構(gòu)建了一個(gè)網(wǎng)絡(luò)爬蟲(chóng)。您可以在我的示例 repo 中找到源代碼。
結(jié)論
使用 Python 列表中的網(wǎng)站內(nèi)容，我們現(xiàn)在可以用它做很酷的事情。我們可以將它作為 JSON 返回給另一個(gè)應(yīng)用程序，或者使用自定義樣式將其轉(zhuǎn)換為 HTML。隨意復(fù)制粘貼上面的代碼并在您最喜歡的網(wǎng)站上進(jìn)行試驗(yàn)。
