使用 BeautifulSoup 进行导航

Question

我对如何使用 BeautifulSoup 导航 HTML 树感到有些困惑。

import requests
from bs4 import BeautifulSoup

url = 'http://examplewebsite.com'
source = requests.get(url)
content = source.content
soup = BeautifulSoup(source.content, "html.parser")

# Now I navigate the soup
for a in soup.findAll('a'):
    print a.get("href")

1. 有没有办法通过标签仅找到特定 href？例如，我想要的所有href 都以某个名称命名，例如price 在在线目录中。

2. 我想要的href链接都在网页内的某个位置，在页面内和某个 .我可以只访问这些链接吗？

3. 如何抓取每个href 链接中的内容并保存为文件格式？

Answer 1

有了BeautifulSoup，这一切都是可行且简单的。

(1) 有没有办法通过标签只找到特定的href？为了 例如，我想要的所有 href 都以某个名称调用，例如 在线目录中的价格。

比如说，你需要的所有链接在文本中都有price - 你可以使用text 参数：

soup.find_all("a", text="price")  # text equals to 'price' exactly
soup.find_all("a", text=lambda text: text and "price" in text)  # 'price' is inside the text

是的，您可以使用functions 和许多其他不同类型的对象来过滤元素，例如，编译后的regular expressions：

import re

soup.find_all("a", text=re.compile(r"^[pP]rice"))

如果price 位于“href”属性中，您可以使用以下CSS selector：

soup.select("a[href*=price]")  # href contains 'price'
soup.select("a[href^=price]")  # href starts with 'price'
soup.select("a[href$=price]")  # href ends with 'price'

或者，通过find_all()：

soup.find_all("a", href=lambda href: href and "price" in href)

---

(2) 我想要的href链接都在 网页，在页面内和某个 .我可以只访问这些吗 链接？

好的，找到合适的容器并致电find_all() or other searching methods：

container = soup.find("div", class_="container")
for link in container.select("a[href*=price"):
    print(link["href"])

或者，您可以编写 CSS 选择器，就像在具有所需属性或属性值的特定元素内搜索链接一样。例如，这里我们正在搜索具有href 属性的a 元素位于具有container 类的div 元素内：

soup.select("div.container a[href]")

---

(3) 如何抓取每个 href 链接中的内容并保存到 文件格式？

如果我理解正确，您需要获取适当的链接，关注它们并将页面的源代码本地保存到 HTML 文件中。根据您的要求，有多种选项可供选择（例如，速度可能很关键。或者，它只是一项一次性任务，您不关心性能）。

如果您继续使用requests，代码将具有阻塞性质 - 您将提取链接，点击它，保存页面源代码，然后继续下一个 - 它的主要缺点是它会很慢（首先取决于有多少链接）。示例代码助您一臂之力：

from urlparse import urljoin

from bs4 import BeautifulSoup
import requests

base_url = 'http://examplewebsite.com'
with requests.Session() as session:  # maintaining a web-scraping session
    soup = BeautifulSoup(session.get(base_url).content, "html.parser")

    for link in soup.select("div.container a[href]"):
        full_link = urljoin(base_url, link["href"])
        title = a.get_text(strip=True)

        with open(title + ".html", "w") as f:
            f.write(session.get(full_link).content)

您可以查看grequests 或Scrapy 来解决这部分问题。