Yanıtlar:
İşte BeautifulSoup'ta SoupStrainer sınıfını kullanan kısa bir snippet:
import httplib2
from bs4 import BeautifulSoup, SoupStrainer
http = httplib2.Http()
status, response = http.request('http://www.nytimes.com')
for link in BeautifulSoup(response, parse_only=SoupStrainer('a')):
if link.has_attr('href'):
print(link['href'])
BeautifulSoup belgeleri aslında oldukça iyidir ve bir dizi tipik senaryoyu kapsar:
https://www.crummy.com/software/BeautifulSoup/bs4/doc/
Düzenleme: Ben önceden ayrıştırma biliyorsanız, biraz daha verimli (bellek ve hız akıllıca) çünkü SoupStrainer sınıf kullandığımı unutmayın.
/usr/local/lib/python2.7/site-packages/bs4/__init__.py:128: UserWarning: The "parseOnlyThese" argument to the BeautifulSoup constructor has been renamed to "parse_only."
has_attr
. Bunun yerine denilen bir şey olduğunu görüyorum has_key
ve işe yarıyor.
Tamlık uğruna, sunucu tarafından sağlanan kodlamayı kullanarak BeautifulSoup 4 sürümü:
from bs4 import BeautifulSoup
import urllib.request
parser = 'html.parser' # or 'lxml' (preferred) or 'html5lib', if installed
resp = urllib.request.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, parser, from_encoding=resp.info().get_param('charset'))
for link in soup.find_all('a', href=True):
print(link['href'])
veya Python 2 sürümü:
from bs4 import BeautifulSoup
import urllib2
parser = 'html.parser' # or 'lxml' (preferred) or 'html5lib', if installed
resp = urllib2.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, parser, from_encoding=resp.info().getparam('charset'))
for link in soup.find_all('a', href=True):
print link['href']
ve requests
kitaplığı kullanan ve Python 2 ve 3'te yazılan bir sürüm :
from bs4 import BeautifulSoup
from bs4.dammit import EncodingDetector
import requests
parser = 'html.parser' # or 'lxml' (preferred) or 'html5lib', if installed
resp = requests.get("http://www.gpsbasecamp.com/national-parks")
http_encoding = resp.encoding if 'charset' in resp.headers.get('content-type', '').lower() else None
html_encoding = EncodingDetector.find_declared_encoding(resp.content, is_html=True)
encoding = html_encoding or http_encoding
soup = BeautifulSoup(resp.content, parser, from_encoding=encoding)
for link in soup.find_all('a', href=True):
print(link['href'])
soup.find_all('a', href=True)
Çağrı bütün bulur <a>
bir sahip elemanlarhref
niteliğini; niteliği olmayan öğeler atlanır.
BeautifulSoup 3, Mart 2012'de geliştirmeyi durdurdu; yeni projeler her zaman BeautifulSoup 4'ü kullanmalıdır.
HTML kodunun bayttan BeautifulSoup'a kodunun çözülmesi gerektiğini unutmayın . Kod çözme işlemine yardımcı olması için HTTP yanıt başlıklarında bulunan karakter kümesini BeautifulSoup'a bildirebilirsiniz, ancak bu yanlış olabilir<meta>
ve HTML'nin kendisinde bulunan bir başlık bilgisi ile çakışabilir , bu nedenle yukarıdaki BeautifulSoup iç sınıf yöntemini kullanırEncodingDetector.find_declared_encoding()
emin olmak için bu tür gömülü kodlama ipuçları, yanlış yapılandırılmış bir sunucu üzerinden kazanır.
İle requests
, hiçbir karakter kümesi döndürülmemiş olsa bile response.encoding
yanıtın bir text/*
mime türü varsa öznitelik varsayılan olarak Latin-1 olur . Bu HTTP RFC'leri ile tutarlıdır, ancak HTML ayrıştırmasıyla kullanıldığında acı vericidir, bu nedenle charset
Content-Type üstbilgisinde ayarlanmadığında bu özelliği yok saymalısınız.
SoupStrainer
yani? O hala projenin parçasıdır, yere gitmedim .
Diğerleri BeautifulSoup'u tavsiye etti, ancak lxml kullanmak çok daha iyi . Adına rağmen, HTML'yi ayrıştırmak ve kazıma amaçlıdır. BeautifulSoup'tan çok, çok daha hızlı ve hatta "kırık" HTML'yi BeautifulSoup'tan (şöhret iddiası) daha iyi işler. Eğer lxml API'sını öğrenmek istemiyorsanız BeautifulSoup için bir uyumluluk API'sı vardır.
Google App Engine'de veya yalnızca Python'a izin verilmeyen bir şeye izin vermediğiniz sürece BeautifulSoup'u kullanmanız için hiçbir neden yoktur.
lxml.html de CSS3 seçicileri destekler, bu nedenle bu tür şeyler önemsizdir.
Lxml ve xpath ile bir örnek şöyle görünür:
import urllib
import lxml.html
connection = urllib.urlopen('http://www.nytimes.com')
dom = lxml.html.fromstring(connection.read())
for link in dom.xpath('//a/@href'): # select the url in href for all a tags(links)
print link
lxml
kurulu ise varsayılan ayrıştırıcı olarak kullanılır.
import urllib2
import BeautifulSoup
request = urllib2.Request("http://www.gpsbasecamp.com/national-parks")
response = urllib2.urlopen(request)
soup = BeautifulSoup.BeautifulSoup(response)
for a in soup.findAll('a'):
if 'national-park' in a['href']:
print 'found a url with national-park in the link'
Aşağıdaki kod, urllib2
ve kullanarak bir web sayfasındaki tüm bağlantıları almak içindir BeautifulSoup4
:
import urllib2
from bs4 import BeautifulSoup
url = urllib2.urlopen("http://www.espncricinfo.com/").read()
soup = BeautifulSoup(url)
for line in soup.find_all('a'):
print(line.get('href'))
Başlık altında BeautifulSoup şimdi lxml kullanıyor. İstekler, lxml ve liste kavrayışları katil birleşik yapar.
import requests
import lxml.html
dom = lxml.html.fromstring(requests.get('http://www.nytimes.com').content)
[x for x in dom.xpath('//a/@href') if '//' in x and 'nytimes.com' not in x]
Comp listesinde, "if '//' ve 'url.com' x içinde değil", "dahili" gezinme URL'lerinin vb. Sitelerinin url listesini temizlemek için basit bir yöntemdir.
sadece bağlantıları almak için, B.soup ve regex olmadan:
import urllib2
url="http://www.somewhere.com"
page=urllib2.urlopen(url)
data=page.read().split("</a>")
tag="<a href=\""
endtag="\">"
for item in data:
if "<a href" in item:
try:
ind = item.index(tag)
item=item[ind+len(tag):]
end=item.index(endtag)
except: pass
else:
print item[:end]
daha karmaşık işlemler için elbette BSoup hala tercih edilmektedir.
<a
ve href
? Arasında bir şey varsa ? Say rel="nofollow"
veya onclick="..."
hatta sadece yeni hat? stackoverflow.com/questions/1732348/…
Bu komut dosyası aradığınızı yapar, ancak mutlak bağlantılara ilişkin göreli bağlantıları da çözer.
import urllib
import lxml.html
import urlparse
def get_dom(url):
connection = urllib.urlopen(url)
return lxml.html.fromstring(connection.read())
def get_links(url):
return resolve_links((link for link in get_dom(url).xpath('//a/@href')))
def guess_root(links):
for link in links:
if link.startswith('http'):
parsed_link = urlparse.urlparse(link)
scheme = parsed_link.scheme + '://'
netloc = parsed_link.netloc
return scheme + netloc
def resolve_links(links):
root = guess_root(links)
for link in links:
if not link.startswith('http'):
link = urlparse.urljoin(root, link)
yield link
for link in get_links('http://www.google.com'):
print link
Tüm bağlantıları bulmak için, bu örnekte urllib2 modülünü re.module ile birlikte kullanacağız * re modülündeki en güçlü işlevlerden biri "re.findall ()" dir. Bir desenin ilk eşleşmesini bulmak için re.search () kullanılırken, re.findall () tüm eşleşmeleribulurve her dizeyi bir eşleşmeyi temsil edecek şekilde dizeler listesi olarak döndürür *
import urllib2
import re
#connect to a URL
website = urllib2.urlopen(url)
#read html code
html = website.read()
#use re.findall to get all the links
links = re.findall('"((http|ftp)s?://.*?)"', html)
print links
Neden düzenli ifadeler kullanılmıyor:
import urllib2
import re
url = "http://www.somewhere.com"
page = urllib2.urlopen(url)
page = page.read()
links = re.findall(r"<a.*?\s*href=\"(.*?)\".*?>(.*?)</a>", page)
for link in links:
print('href: %s, HTML text: %s' % (link[0], link[1]))
(r"<a.*?\s*href=\"(.*?)\".*?>(.*?)</a>", page)
anlama geldiğini nerede bulabilirim ? Teşekkürler!
Bağlantılar çeşitli özellikler içinde olabilir, böylece seçmek için bu özelliklerin bir listesini iletebilirsiniz
Örneğin, src ve href özniteliğiyle (burada, bu öznitelik değerlerinden birinin http ile başlayacağını belirtmek için ^ işleciyle başlıyorum. Bunu gerektiği gibi uyarlayabilirsiniz.
from bs4 import BeautifulSoup as bs
import requests
r = requests.get('https://stackoverflow.com/')
soup = bs(r.content, 'lxml')
links = [item['href'] if item.get('href') is not None else item['src'] for item in soup.select('[href^="http"], [src^="http"]') ]
print(links)
[Attr ^ = değer]
Attr öznitelik adına sahip ve değeri değerin önüne (önüne) geçen öğeleri temsil eder.
İşte @ars kabul cevabı ve kullanıldığı bir örnek BeautifulSoup4
, requests
ve wget
indirme işlemleri için modüller.
import requests
import wget
import os
from bs4 import BeautifulSoup, SoupStrainer
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/eeg-mld/eeg_full/'
file_type = '.tar.gz'
response = requests.get(url)
for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
if link.has_attr('href'):
if file_type in link['href']:
full_path = url + link['href']
wget.download(full_path)
Aşağıdaki düzeltmeden sonra (Blair'in düzgün çalışamadığı senaryoyu kapsayan) @ Blairg23'ün yanıtını buldum:
for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
if link.has_attr('href'):
if file_type in link['href']:
full_path =urlparse.urljoin(url , link['href']) #module urlparse need to be imported
wget.download(full_path)
Python 3 için:
urllib.parse.urljoin
bunun yerine tam URL'yi elde etmek için kullanılmalıdır.
BeatifulSoup'un kendi ayrıştırıcısı yavaş olabilir. Doğrudan bir URL'den ayrıştırabilen (aşağıda belirtilen bazı sınırlamalarla) lxml kullanmak daha uygun olabilir .
import lxml.html
doc = lxml.html.parse(url)
links = doc.xpath('//a[@href]')
for link in links:
print link.attrib['href']
Yukarıdaki kod bağlantıları olduğu gibi döndürür ve çoğu durumda göreli bağlantılar veya site kökünden mutlak olurlar. Kullanım durumum yalnızca belirli bir tür bağlantıyı ayıklamak olduğundan, aşağıda bağlantıları tam URL'lere dönüştüren ve isteğe bağlı olarak bir glob kalıbını kabul eden bir sürüm bulunmaktadır *.mp3
. Bununla birlikte, göreli yollarda tek ve çift noktaları işlemez, ancak şu ana kadar buna ihtiyacım yoktu. Eğer içeren ayrıştırma URL parçalarına gerekiyorsa ../
veya ./
sonra urlparse.urljoin işine yarayacaktır.
NOT : Doğrudan lxml url ayrıştırma işlemi, yükleme işlemini gerçekleştirmez https
ve yönlendirmeler yapmaz, bu nedenle aşağıdaki sürümde urllib2
+ kullanılır lxml
.
#!/usr/bin/env python
import sys
import urllib2
import urlparse
import lxml.html
import fnmatch
try:
import urltools as urltools
except ImportError:
sys.stderr.write('To normalize URLs run: `pip install urltools --user`')
urltools = None
def get_host(url):
p = urlparse.urlparse(url)
return "{}://{}".format(p.scheme, p.netloc)
if __name__ == '__main__':
url = sys.argv[1]
host = get_host(url)
glob_patt = len(sys.argv) > 2 and sys.argv[2] or '*'
doc = lxml.html.parse(urllib2.urlopen(url))
links = doc.xpath('//a[@href]')
for link in links:
href = link.attrib['href']
if fnmatch.fnmatch(href, glob_patt):
if not href.startswith(('http://', 'https://' 'ftp://')):
if href.startswith('/'):
href = host + href
else:
parent_url = url.rsplit('/', 1)[0]
href = urlparse.urljoin(parent_url, href)
if urltools:
href = urltools.normalize(href)
print href
Kullanımı aşağıdaki gibidir:
getlinks.py http://stackoverflow.com/a/37758066/191246
getlinks.py http://stackoverflow.com/a/37758066/191246 "*users*"
getlinks.py http://fakedomain.mu/somepage.html "*.mp3"
lxml
sadece geçerli girdiyi işleyebilir, nasıl değiştirebilir BeautifulSoup
?
lxml.html
biraz daha yumuşak lxml.etree
. Girişiniz iyi biçimlendirilmemişse, BeautifulSoup ayrıştırıcısını açıkça ayarlayabilirsiniz: lxml.de/elementsoup.html . BeatifulSoup ile giderseniz, BS3 daha iyi bir seçimdir.
import urllib2
from bs4 import BeautifulSoup
a=urllib2.urlopen('http://dir.yahoo.com')
code=a.read()
soup=BeautifulSoup(code)
links=soup.findAll("a")
#To get href part alone
print links[0].attrs['href']
Hem harici hem de dahili bağlantılarla birlikte birçok yinelenen bağlantı olabilir. İkisi arasında ayrım yapmak ve setleri kullanarak benzersiz bağlantılar elde etmek için:
# Python 3.
import urllib
from bs4 import BeautifulSoup
url = "http://www.espncricinfo.com/"
resp = urllib.request.urlopen(url)
# Get server encoding per recommendation of Martijn Pieters.
soup = BeautifulSoup(resp, from_encoding=resp.info().get_param('charset'))
external_links = set()
internal_links = set()
for line in soup.find_all('a'):
link = line.get('href')
if not link:
continue
if link.startswith('http'):
external_links.add(link)
else:
internal_links.add(link)
# Depending on usage, full internal links may be preferred.
full_internal_links = {
urllib.parse.urljoin(url, internal_link)
for internal_link in internal_links
}
# Print all unique external and full internal links.
for link in external_links.union(full_internal_links):
print(link)