![](/img/trans.png)
[英]How to extract specific script element from HTML using Beautiful Soup
[英]How to extract specific URL from HTML using Beautiful Soup?
我想从HTML页面提取特定的URL。
from urllib2 import urlopen
import re
from bs4 import BeautifulSoup
url = http://bassrx.tumblr.com/tagged/tt # nsfw link
page = urlopen(url)
html = page.read() # get the html from the url
# this works without BeautifulSoup, but it is slow:
image_links = re.findall("src.\"(\S*?media.tumblr\S*?tumblr_\S*?jpg)", html)
print image_links
上面的输出完全是URL,没有其他内容:http: http://38.media.tumblr.com/tumblr_ln5gwxHYei1qi02clo1_500.jpg
唯一的缺点是它非常慢。
BeautifulSoup解析HTML的速度非常快,所以这就是我要使用它的原因。
我想要的网址实际上是img src
。 这是HMTL的片段,其中包含我想要的信息。
<div class="media"><a href="http://bassrx.tumblr.com/image/85635265422">
<img src="http://38.media.tumblr.com/tumblr_ln5gwxHYei1qi02clo1_500.jpg"/>
</a></div>
因此,我的问题是,如何才能使BeautifulSoup干净地提取所有这些“ img src” URL,而无需进行其他处理?
我只想要一个匹配的URL列表。 我一直在尝试使用soup.findall()
函数,但是无法获得任何有用的结果。
from urllib2 import urlopen
from bs4 import BeautifulSoup
url = 'http://bassrx.tumblr.com/tagged/tt'
soup = BeautifulSoup(urlopen(url).read())
for element in soup.findAll('img'):
print(element.get('src'))
您可以使用div.media > a > img
CSS selector
找到img
标签内a
这是一个内部div
与标签media
类:
from urllib2 import urlopen
from bs4 import BeautifulSoup
url = "<url_here>"
soup = BeautifulSoup(urlopen(url))
images = soup.select('div.media > a > img')
print [image.get('src') for image in images]
为了使解析速度更快,您可以使用lxml
解析器:
soup = BeautifulSoup(urlopen(url), "lxml")
当然,您需要首先安装lxml
模块。
另外,您可以利用SoupStrainer
类仅解析文档的相关部分。
希望能有所帮助。
看看带有re.compile的BeautifulSoup.find_all
from urllib2 import urlopen
import re
from bs4 import BeautifulSoup
url = "http://bassrx.tumblr.com/tagged/tt" # nsfw link
page = urlopen(url)
html = page.read()
bs = BeautifulSoup(html)
a_tumblr = [a_element for a_element in bs.find_all(href=re.compile("media\.tumblr"))]
##[<link href="http://37.media.tumblr.com/avatar_df3a9e37c757_128.png" rel="shortcut icon"/>, <link href="http://37.media.tumblr.com/avatar_df3a9e37c757_128.png" rel="apple-touch-icon"/>]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.