Python 爬虫进阶篇-利用beautifulsoup库爬取网页文章内容实战演示

时间:2020-9-15 作者:admin

我们以 fox新闻 网的文章来举例子,把整篇文章爬取出来。

首先是标题,通过结构可以看出来 classarticle-header 的节点下的 h1 里的内容即是标题,通过 string 可以获取 dom 节点里的文本内容。

# 获取文章标题
alert_header = soup.find('header', class_="article-header").find('h1')
print(alert_header.string)

Python 爬虫进阶篇-利用beautifulsoup库爬取网页文章内容实战演示
然后是正文,通过结构可以看出来 classarticle-body 的节点下的 p 元素组成了正文内容,通过 contents 可以获取 body 下所有的节点。再遍历所有的节点,把所有 p 元素的下的内容打印出来。
Python 爬虫进阶篇-利用beautifulsoup库爬取网页文章内容实战演示

from urllib.request import urlopen
from bs4 import BeautifulSoup

url = urlopen('https://www.foxnews.com/tech/mom-received-dirty-diapers-amazon')
soup = BeautifulSoup(url, 'html.parser')   # parser 解析

# 获取文章标题
alert_header = soup.find('header', class_="article-header").find('h1')
print("标题如下:")
print(alert_header.string)

# 获取文章正文
alert_body = soup.find('div', class_="article-body").contents   # 所有body里的p节点

# 打印文章正文
print("正文如下:")
for i in alert_body:
    if(i.name == "p"):
        print(i.getText())
        print()

运行效果图:
如果中间夹杂了广告,可以看看文章正文跟广告在结构上有什么区别,然后进一步把广告剔除。
Python 爬虫进阶篇-利用beautifulsoup库爬取网页文章内容实战演示
喜欢的点个赞❤吧!

声明:本文内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎进行举报,并提供相关证据,工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。