logo

Čítanie vybratého obsahu webovej stránky pomocou Python Web Scraping

Predpoklad: Sťahovanie súborov v Pythone Zoškrabovanie webu pomocou BeautifulSoup Všetci vieme, že Python je veľmi jednoduchý programovací jazyk, ale čo ho robí skvelým, je veľké množstvo open source knižníc napísaných preň. Žiadosti sú jednou z najpoužívanejších knižníc. Umožňuje nám otvoriť akúkoľvek webovú stránku HTTP/HTTPS a umožňuje nám robiť akékoľvek veci, ktoré bežne robíme na webe, a môže tiež ukladať relácie, napr. cookie. Ako všetci vieme, webová stránka je len kúsok HTML kódu, ktorý webový server odošle do nášho prehliadača, ktorý sa následne premení na krásnu stránku. Teraz potrebujeme mechanizmus na získanie zdrojového kódu HTML, tj nájdenie niektorých konkrétnych značiek s balíkom s názvom BeautifulSoup. Inštalácia:
pip3 install requests 
pip3 install beautifulsoup4 

Vezmeme si príklad čítaním spravodajského webu Hindustan Times

systémový softvér
Kód možno rozdeliť na tri časti.
  • Žiadosť o webovú stránku
  • Kontrola štítkov
  • Vytlačte príslušný obsah
Kroky:
    Žiadosť o webovú stránku:Najprv uvidíme kliknutím pravým tlačidlom myši na text správy a zobrazí sa zdrojový kód Čítanie vybratého obsahu webovej stránky pomocou Python Web Scraping' title= Kontrola štítkov:Musíme zistiť, v ktorom tele zdrojového kódu sa nachádza sekcia správ, ktorú chceme zrušiť. Je to neusporiadaný zoznam 'searchNews' pod uli.e, ktorý obsahuje sekciu správ. Čítanie vybratého obsahu webovej stránky pomocou Python Web Scraping' title= Poznámka Text správ sa nachádza v textovej časti značky ukotvenia. Pozorné pozorovanie nám dáva predstavu, že všetky novinky sú v li list tagoch ​​neusporiadaného tagu. Čítanie vybratého obsahu webovej stránky pomocou Python Web Scraping' title= Vytlačte príslušný obsah: 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() 

    Výstup

    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 

Referencie



Vytvoriť kvíz