Python - 读取HTML页面

名为Beautiful Soup的库。使用这个库，我们可以搜索HTML标签的值，并获取特定数据，例如页面的标题和页面的标题列表。

安装Beautiful Soup

使用Anaconda包管理器安装所需的包及其依赖包。

conda install Beaustifulsoap

读取HTML文件

在下面的例子中，我们向一个URL发出请求，将其加载到Python环境中。然后使用html解析器参数读取整个HTML文件。接下来，我们打印HTML页面的前几行。

import urllib2
from bs4 import BeautifulSoup

# Fetch the html file
response = urllib2.urlopen('https://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()

# Parse the html file
soup = BeautifulSoup(html_doc, 'html.parser')

# Format the parsed html file
strhtm = soup.prettify()

# Print the first few characters
print (strhtm[:225])

执行上述代码后，将产生以下结果。

<!DOCTYPE html>
<!--[if IE 8]><html class="ie ie8"> <![endif]-->
<!--[if IE 9]><html class="ie ie9"> <![endif]-->
<!--[if gt IE 9]><!-->
<html>
 <!--<![endif]-->
 <head>
  <!-- Basic -->
  <meta charset="utf-8"/>
  <title>

提取标签值

我们可以使用以下代码从标签的第一个实例中提取标签值。

import urllib2
from bs4 import BeautifulSoup

response = urllib2.urlopen('https://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()

soup = BeautifulSoup(html_doc, 'html.parser')

print (soup.title)
print(soup.title.string)
print(soup.a.string)
print(soup.b.string)

执行上述代码后，将产生以下结果。

Python Overview
Python Overview
None
Python is Interpreted

提取所有标签

我们可以使用以下代码从标签的所有实例中提取标签值。

import urllib2
from bs4 import BeautifulSoup

response = urllib2.urlopen('https://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()
soup = BeautifulSoup(html_doc, 'html.parser')

for x in soup.find_all('b'): print(x.string)

执行上述代码后，将产生以下结果。

Python is Interpreted
Python is Interactive
Python is Object-Oriented
Python is a Beginner's Language
Easy-to-learn
Easy-to-read
Easy-to-maintain
A broad standard library
Interactive Mode
Portable
Extendable
Databases
GUI Programming
Scalable

打印页面