Python读取HTML页面
Python读取HTML页面
有一个类库叫作beautifulsoup。 使用这个库，可以搜索html标签的值，并获取页面标题和页面标题列表等特定数据。
安装Beautifulsoup
使用Anaconda软件包管理器安装所需的软件包及其相关软件包。
conda install Beaustifulsoap
读取HTML文件
在下面的例子中，我们请求一个url被加载到python环境中。 然后使用html parser参数来读取整个html文件。 接下来，打印html页面的前几行。
import urllib2
from bs4 import BeautifulSoup
# Fetch the html file
import urllib3
from bs4 import BeautifulSoup
# Fetch the html file
http = urllib3.PoolManager()
response = http.request('GET','http://www.zyiz.net/python/features.html')
html_doc = response.data
# 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])
当执行上面示例代码，得到以下输出结果 -
<!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>
提取标记值
可以使用以下代码从标签的第一个实例中提取标签值。
import urllib3
from bs4 import BeautifulSoup
# Fetch the html file
http = urllib3.PoolManager()
response = http.request('GET','http://www.zyiz.net/python/features.html')
html_doc = response.data
# Parse the html file
soup = BeautifulSoup(html_doc, 'html.parser')
print (soup.title)
print(soup.title.string)
print(soup.a.string)
print(soup.b.string)
执行上面示例代码，得到以下结果 -
<title>找一找教程网教程? - 专注于IT教程和实例</title> 找一找教程网教程? - 专注于IT教程和实例 None 友情链接:
提取所有标签
可以使用以下代码从标签的所有实例中提取标签值。
import urllib3
from bs4 import BeautifulSoup
# Fetch the html file
http = urllib3.PoolManager()
response = http.request('GET','http://www.zyiz.net/python/features.html')
html_doc = response.data
# Parse the html file
soup = BeautifulSoup(html_doc, 'html.parser')
for x in soup.find_all('h1'):
print(x.string)
执行上面示例代码，得到以下结果 -
None Python功能特点
目录
Python数据处理
Python数据可视化
