Python 爬虫进阶篇-利用beautifulsoup库爬取网页文章内容实战演示

小蓝枣

发布于 2020-09-24 10:16:55

9980

发布于 2020-09-24 10:16:55

我们以 fox新闻 网的文章来举例子，把整篇文章爬取出来。

首先是标题，通过结构可以看出来 class 为 article-header 的节点下的 h1 里的内容即是标题，通过 string 可以获取 dom 节点里的文本内容。

# 获取文章标题
alert_header = soup.find('header', class_="article-header").find('h1')
print(alert_header.string)

然后是正文，通过结构可以看出来 class 为 article-body 的节点下的 p 元素组成了正文内容，通过 contents 可以获取 body 下所有的节点。再遍历所有的节点，把所有 p 元素的下的内容打印出来。

from urllib.request import urlopen
from bs4 import BeautifulSoup

url = urlopen('https://www.foxnews.com/tech/mom-received-dirty-diapers-amazon')
soup = BeautifulSoup(url, 'html.parser')   # parser 解析

# 获取文章标题
alert_header = soup.find('header', class_="article-header").find('h1')
print("标题如下：")
print(alert_header.string)

# 获取文章正文
alert_body = soup.find('div', class_="article-body").contents   # 所有body里的p节点

# 打印文章正文
print("正文如下：")
for i in alert_body:
    if(i.name == "p"):
        print(i.getText())
        print()

运行效果图： 如果中间夹杂了广告，可以看看文章正文跟广告在结构上有什么区别，然后进一步把广告剔除。