Python - 使用 BeautifulSoup 从 URL 列表中抓取文本的最简单方法

Posted 2023-02-23

【中文标题】Python - 使用 BeautifulSoup 从 URL 列表中抓取文本的最简单方法

【英文标题】：Python - Easiest way to scrape text from list of URLs using BeautifulSoup

【发布时间】：2011-07-16 22:04:24

【问题描述】：

使用 BeautifulSoup 从少数网页（使用 URL 列表）中抓取文本的最简单方法是什么？有没有可能？

最好， 乔治娜

【参考方案1】：

这是完全可能的。最简单的方法是遍历 URL 列表，加载内容，找到 URL，将它们添加到主列表。找到足够多的页面时停止迭代。

只是一些提示：

urllib2.urlopen 用于获取内容 BeautifulSoup: findAll('a') 用于查找 URL

【讨论】：

嗨@Jiri——你的意思是“找到html”吗？

好的，你不需要通过页面中的 URL 来遍历站点。只是为了剥离文字。你可以试试 ''.join(soup.findAll(text=True))

【参考方案2】：

import urllib2
import BeautifulSoup
import re

Newlines = re.compile(r'[\r\n]\s+')

def getPageText(url):
    # given a url, get page content
    data = urllib2.urlopen(url).read()
    # parse as html structured document
    bs = BeautifulSoup.BeautifulSoup(data, convertEntities=BeautifulSoup.BeautifulSoup.HTML_ENTITIES)
    # kill javascript content
    for s in bs.findAll('script'):
        s.replaceWith('')
    # find body and extract text
    txt = bs.find('body').getText('\n')
    # remove multiple linebreaks and whitespace
    return Newlines.sub('\n', txt)

def main():
    urls = [
        'http://www.***.com/questions/5331266/python-easiest-way-to-scrape-text-from-list-of-urls-using-beautifulsoup',
        'http://***.com/questions/5330248/how-to-rewrite-a-recursive-function-to-use-a-loop-instead'
    ]
    txt = [getPageText(url) for url in urls]

if __name__=="__main__":
    main()

现在它会移除 javascript 并解码 html 实体。

【讨论】：

太棒了！非常感谢，@Hugh Bothwell！

【参考方案3】：

我知道这不是您确切问题（关于 BeautifulSoup）的答案，但一个好主意是查看似乎符合您需求的 Scrapy。