Python 和 BeautifulSoup 打开页面

Question

我想知道如何使用 BeautifulSoup 在我的列表中打开另一个页面？我关注了this tutorial，但它并没有告诉我们如何打开列表中的另一个页面。另外，如何打开嵌套在类中的“a href”？

这是我的代码：

# coding: utf-8

import requests
from bs4 import BeautifulSoup

r = requests.get("")
soup = BeautifulSoup(r.content)
soup.find_all("a")

for link in soup.find_all("a"):
    print link.get("href")

    for link in soup.find_all("a"):
        print link.text

    for link in soup.find_all("a"):
        print link.text, link.get("href")

    g_data = soup.find_all("div", {"class":"listing__left-column"})

    for item in g_data:
        print item.contents

    for item in g_data:
        print item.contents[0].text
        print link.get('href')

    for item in g_data:
        print item.contents[0]

我正在尝试从每个企业的标题中收集 href，然后打开它们并抓取该数据。

Answer 1

我仍然不确定您从哪里获取 HTML，但如果您尝试提取所有 href 标记，那么根据您发布的图像，以下方法应该可以工作：

import requests
from bs4 import BeautifulSoup

r = requests.get("<add your URL here>")
soup = BeautifulSoup(r.content)

for a_tag in soup.find_all('a', class_='listing-name', href=True):
    print 'href: ', a_tag['href']

通过将href=True 添加到find_all()，它确保只返回包含href 属性的a 元素，因此无需将其作为属性进行测试。

提醒您一下，您可能会发现一些网站会在一两次尝试后将您锁定，因为它们能够检测到您正在尝试通过脚本访问网站，而不是作为人。如果您觉得您没有得到正确的响应，我建议您打印您返回的 HTML，以确保它仍然如您所愿。

如果您想获取每个链接的 HTML，可以使用以下内容：

import requests
from bs4 import BeautifulSoup

# Configure this to be your first request URL
r = requests.get("http://www.mywebsite.com/search/")
soup = BeautifulSoup(r.content)

for a_tag in soup.find_all('a', class_='listing-name', href=True):
    print 'href: ', a_tag['href']

# Configure this to the root of the above website, e.g. 'http://www.mywebsite.com'
base_url = "http://www.mywebsite.com"

for a_tag in soup.find_all('a', class_='listing-name', href=True):
    print '-' * 60      # Add a line of dashes
    print 'href: ', a_tag['href']
    request_href = requests.get(base_url + a_tag['href'])
    print request_href.content

使用 Python 2.x 测试，对于 Python 3.x，请在打印语句中添加括号。

Answer 2

1. 我遇到了同样的问题，我想分享我的发现，因为我确实尝试了答案，但由于某些原因它不起作用，但经过一些研究，我发现了一些有趣的东西。

2. 您可能需要找到“href”链接本身的属性： 在您的情况下，您将需要包含 href 链接的确切 class 链接，我在想="class":"listing__left-column" 并将其等同于变量say "全部”例如：

from bs4 import BeautifulSoup
all = soup.find_all("div", {"class":"listing__left-column"})
for item in all:
  for link in item.find_all("a"):
    if 'href' in link.attrs:
        a = link.attrs['href']
        print(a)
        print("")

我这样做了，我能够进入另一个嵌入主页的链接