使用 BeautifulSoup 提取图像标题和图像 url答案

【问题标题】：Extracting image caption and image url using BeautifulSoup使用 BeautifulSoup 提取图像标题和图像 url
【发布时间】：2017-09-17 11:58:06
【问题描述】：

我正在尝试使用 BeautifulSoup 从一篇文章中提取图片网址和图片标题。我可以将文章的图像 url 和图像标题与前后 HTML 分开，但我不知道如何将这两者与它们的 html 标签分开。这是我的代码：

from bs4 import BeautifulSoup
import requests
url = 'http://www.prnewswire.com/news-releases/dutch-philosopher-
koert-van-mensvoort-founder-of-the-next-nature-network-writes-a-
letter-to-humanity-619925063.html'
r = requests.get(url)
html = r.text
soup = BeautifulSoup(html, 'lxml')
links = soup.find_all('div', {'class': 'image'})

我试图提取的两个部分是 src= 和 title= 部分。任何关于如何完成这两个解析的想法都将不胜感激。

【问题讨论】：

标签： python html parsing beautifulsoup

【解决方案1】：

尝试以下方法提取所有图像标签

img = soup.findAll('img')
#depending on how many images are here you will probably need to loop through img
src = img.get('src')
title = img.get('title')

【讨论】：

【解决方案2】：

from bs4 import BeautifulSoup
import requests
url = 'http://www.prnewswire.com/news-releases/dutch-philosopher-koert-van-mensvoort-founder-of-the-next-nature-network-writes-a-letter-to-humanity-619925063.html'
r = requests.get(url)
html = r.text
soup = BeautifulSoup(html, 'lxml')
links = soup.find_all('div', {'class': 'image'})
print [i.find('img')['src'] for i in links]
print [i.find('img')['title'] for i in links]

【讨论】：

正确的标记是html5lib而不是lxml，它用于xml

【解决方案3】：

迟到的答案，但您可以使用：

from bs4 import BeautifulSoup
import requests
url = 'http://www.prnewswire.com/news-releases/dutch-philosopher-koert-van-mensvoort-founder-of-the-next-nature-network-writes-a-letter-to-humanity-619925063.html'
r = requests.get(url)
html = r.text
soup = BeautifulSoup(html, "html5lib")
links = soup.find_all('div', {'class': 'image'})
if links:
    print(links[0].find('img')['src'])
    print(links[0].find('img')['title'])

输出：

http://mma.prnewswire.com/media/491859/Koert_van_Mensvoort.jpg?w=950

荷兰哲学家 Koert van Mensvoort – Next Nature 的创始人科技大学“Next Nature”网络和研究员埃因霍温——写了一封“致人类的信”以支持国际地球日。（PRNewsfoto/Next Nature Network）

【讨论】：