Beautifulsoup webscraping - 从 <a> 标签中提取值
Posted
技术标签:
【中文标题】Beautifulsoup webscraping - 从 <a> 标签中提取值【英文标题】:Beautifulsoup webscraping - extract values from within <a> tags 【发布时间】:2021-12-22 15:08:01 【问题描述】:我正在使用 bs4 来抓取 Indeed.com 的工作(链接 here)。我已经能够成功提取标题、公司和摘要,没有任何问题。
现在我想更进一步,提取用户点击每个职位时提供的子链接,例如这个link,所以我可以提取其他信息,例如每个角色所需的特定技术。
我注意到子链接 url 包含 jk=e5b27ae62cb7c45f
,这是我可以用来创建子链接的 html 中包含的作业密钥。不幸的是,我正在努力提取此作业密钥!
我已经确定作业密钥嵌套在<a>
标记中,标记为data-jk
:
这是我目前使用 bs4 的函数:
def transform(soup):
divs = soup.find_all('a', class_= 'tapItem')
for item in divs:
title = item.find('h2', 'class':'jobTitle-color-purple').text
id = item.find('a')
print(title)
print(id)
transform(soup)
返回以下结果:
newDevOps Engineer
<a class="turnstileLink companyOverviewLink" data-tn-element="companyName" href="/cmp/Tata-Consultancy-Services-(tcs)" rel="noopener" target="_blank">Tata Consultancy Services (TCS)</a>
newDevOps Engineer - Sydney, Australia
None
DevOps Engineers
<a class="turnstileLink companyOverviewLink" data-tn-element="companyName" href="/cmp/CGI" rel="noopener" target="_blank">CGI</a>
Graduate Software Developer/Programmer (DevOps)
<a class="turnstileLink companyOverviewLink" data-tn-element="companyName" href="/cmp/Tata-Consultancy-Services-(tcs)" rel="noopener" target="_blank">Tata Consultancy Services (TCS)</a>
Cloud Engineer (Entry level, AWS training provided)
如您所见,我能够成功提取title
,但不能成功提取id
,因为我不知道如何从<a>
标记中选择data-jk
值。我也很困惑为什么当我打电话给item.find('a')
时,带有class: 'tapItem'
的<a>
标签甚至没有出现?
我已经搜索了 ***,但找不到与我类似的问题。希望这里有人能帮我解决这个问题!
【问题讨论】:
title
没有直接的href
但所有报价都在<a>
内,我什至可以在您的图像上看到 - 在黑色背景的顶部。
你必须在 'job_seen_beacon
上方开始几个标签 - 在 id="mosaic-provider-jobcards"
- 得到这个 <a>
感谢您的建议!我已经更新了我的问题以提供更多背景信息。我已经意识到我需要在上面开始一些标签,所以我正在使用 class: 'tapItem' 但仍然遇到提取 data-jk 的问题
data-jk
是类似href
或class
- id["data-jk"]
, id["href"]
, id["class"]
的属性
顺便说一句:属性是一个字典,所以你也可以像在普通字典中一样使用id.get("data-jk"), id.get("href")
。你甚至可以使用默认值id.get("data-jk", default_value)
【参考方案1】:
title
没有直接的href
,但所有报价都在<a>
内,我什至可以在您的图像上看到 - 在黑色背景的顶部(带有target="_blank"
)
你会得到job_seen_beacon
,它也在这个<a>
里面,所以你不能访问这个<a>
。如果你在上面开始几个标签,那么你可以得到<a>
和href`
#divs = soup.find_all('div', class_ = 'job_seen_beacon')
divs = soup.find('div', 'id': 'mosaic-provider-jobcards').find_all('a', 'class': 'result')
for item in divs:
link = item['href']
完整的工作示例
import requests
from bs4 import BeautifulSoup
#extract
def extract(url):
headers = 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/14.1.2 Safari/605.1.15'
r = requests.get(url, headers)
soup = BeautifulSoup(r.content, 'html.parser')
return soup
#transform
def transform(soup):
#divs = soup.find_all('div', class_ = 'job_seen_beacon')
divs = soup.find('div', 'id': 'mosaic-provider-jobcards').find_all('a', 'class': 'result')
joblist = []
for item in divs:
title = item.find('h2', 'class':'jobTitle-color-purple').text
company = item.find('span', 'class': 'companyName').text
summary = item.find('div', 'class': 'job-snippet').text.replace('\n','')
link = item['href']
print(link)
job =
'title': title,
'company': company,
'summary': summary,
'link': link,
joblist.append(job)
#print(job)
print('---')
return joblist
soup = extract('https://uk.indeed.com/jobs?q=devops&start=0')
joblist = transform(soup)
#print(joblist)
【讨论】:
以上是关于Beautifulsoup webscraping - 从 <a> 标签中提取值的主要内容,如果未能解决你的问题,请参考以下文章
Beautifulsoup webscraping - 从 <a> 标签中提取值
Selenium Webdriver / Beautifulsoup + Web Scraping + 错误 416
Webscraping - 试图提取一些数据,但陷入了最后的障碍
使用 BeautifulSoup 进行网页抓取(Google)[重复]