logo

Valitun verkkosivun sisällön lukeminen Python Web Scrapingin avulla

Edellytys: Tiedostojen lataaminen Pythonissa Verkkokaapiminen BeautifulSoupilla Me kaikki tiedämme, että Python on erittäin helppo ohjelmointikieli, mutta se tekee siitä siistiä suuri määrä sille kirjoitettuja avoimen lähdekoodin kirjastoja. Requests on yksi eniten käytetyistä kirjastoista. Sen avulla voimme avata minkä tahansa HTTP/HTTPS-verkkosivuston ja tehdä kaikenlaisia ​​asioita, joita tavallisesti teemme verkossa, ja voimme myös tallentaa istuntoja eli evästeitä. Kuten me kaikki tiedämme, verkkosivu on vain pala HTML-koodia, jonka Web-palvelin lähettää selaimellemme, joka puolestaan ​​muuttuu kauniiksi sivuksi. Nyt tarvitsemme mekanismin HTML-lähdekoodin saamiseen haltuun, eli tiettyjen tunnisteiden löytämiseen BeautifulSoup-nimisen paketin avulla. Asennus:
pip3 install requests 
pip3 install beautifulsoup4 

Otamme esimerkin lukemalla uutissivuston Hindustan Times

Koodi voidaan jakaa kolmeen osaan.
  • Verkkosivun pyytäminen
  • Tarkasta tunnisteet
  • Tulosta sopiva sisältö
Vaiheet:
    Verkkosivun pyytäminen:Ensin näemme uutistekstin napsauttamalla hiiren kakkospainikkeella nähdäksesi lähdekoodin Valitun verkkosivun sisällön lukeminen Python Web Scrapingin avulla' title= Tarkasta tunnisteet:Meidän on selvitettävä, missä lähdekoodin rungossa on uutisosio, jonka haluamme poistaa. Uutisosion sisältää uli.e:n järjestämätön lista 'searchNews'. Valitun verkkosivun sisällön lukeminen Python Web Scrapingin avulla' title= Huomautus Uutisteksti on ankkuritunnisteen tekstiosassa. Tarkka tarkastelu antaa meille ajatuksen, että kaikki uutiset ovat järjestämättömän tagin li list tageissa. Valitun verkkosivun sisällön lukeminen Python Web Scrapingin avulla' title= Tulosta sopiva sisältö: The content is printed with the help of code given below. Python
    import requests from bs4 import BeautifulSoup def news(): # the target we want to open  url='http://www.hindustantimes.com/top-news' #open with GET method resp=requests.get(url) #http_respone 200 means OK status if resp.status_code==200: print('Successfully opened the web page') print('The news are as follow :-n') # we need a parserPython built-in HTML parser is enough . soup=BeautifulSoup(resp.text'html.parser') # l is the list which contains all the text i.e news  l=soup.find('ul'{'class':'searchNews'}) #now we want to print only the text part of the anchor. #find all the elements of a i.e anchor for i in l.findAll('a'): print(i.text) else: print('Error') news() 

    Lähtö

    Successfully opened the web page The news are as follow :- Govt extends toll tax suspension use of old notes for utility bills extended till Nov 14 Modi Abe seal historic civil nuclear pact: What it means for India Rahul queues up at bank says it is to show solidarity with common man IS kills over 60 in Mosul victims dressed in orange and marked 'traitors' Rock On 2 review: Farhan Akhtar Arjun Rampal's band hasn't lost its magic Rumours of shortage in salt supply spark panic among consumers in UP Worrying truth: India ranks first in pneumonia diarrhoea deaths among kids To hell with romance here's why being single is the coolest way to be India vs England: Cheteshwar Pujara Murali Vijay make merry with tons in Rajkot Akshay-Bhumi SRK-Alia Ajay-Parineeti: Age difference doesn't matter anymore Currency ban: Only one-third have bank access; NE backward regions worst hit Nepal's central bank halts transactions with Rs 500 Rs 1000 Indian notes Political upheaval in Punjab after SC tells it to share Sutlej water Let's not kid ourselves with Trump what we have seen is what we will get Want to colour your hair? Try rose gold the hottest hair trend this winter 

Viitteet



Luo tietokilpailu