Leabharlann Python Foinse Oscailte chun HTML/XML a Pharsáil & Sonraí a Bhain amach

Ag Tosú le Beautiful Soup

Is é an bealach molta agus is éasca chun Beautiful Soup a shuiteáil ná trí úsáid a bhaint as pip. Úsáid an t-ordú seo a leanas le suiteáil réidh.

pip install beautifulsoup4 

Oibriú le Parsálaithe Iolracha

Ní dhéanann leabharlann Beautiful Soup an parsáil go léir í féin — ina ionad sin, suíonn sí os cionn parsálaithe aibí cosúil le html.parser tógtha isteach i Python, an parsálaí tapa lxml, agus html5lib atá cosúil le brabhsálaí. Ag brath ar riachtanais, is féidir leat luas nó comhlíontacht le caighdeáin a chur i bpríomhspriú. Soláthraíonn an ailtireacht seo solúbthacht duit chun an parsálaí is oiriúnach a roghnú do do chuid riachtanas, trádáil luas parsála le haghaidh solúbthachta, triail straitéisí parsála éagsúla gan do chód Beautiful Soup a athrú, srl. Léiríonn an cód simplí thíos conas is féidir le forbróirí parsálaithe éagsúla a úsáid le Beautiful Soup.

# Using different parsers with Beautiful Soup
html_doc = "
Ábhar samplach
"

# Using lxml parser (fast)
soup_lxml = BeautifulSoup(html_doc, 'lxml')

# Using html5lib parser (slower but more lenient)
soup_html5lib = BeautifulSoup(html_doc, 'html5lib')

# Using Python's built-in parser
soup_builtin = BeautifulSoup(html_doc, 'html.parser')

Baint Naisc ó Leathanaigh Ghréasáin

Is tasc coitianta scrabála naisc é scrabáil naisc, go háirithe úsáideach chun crawlers gréasáin a thógáil. Tá tacaíocht le haghaidh luchtú leathanach gréasáin agus naisc a bhaint as leabharlann foinse oscailte Beautiful Soup i bhfeidhmchláir Python. Léiríonn an sampla cód simplí thíos an láithreán beo a fháil ag baint úsáide as an leabharlann requests, agus ansin na clibeanna ancaire uile a bhaint as i bhfeidhmchláir Python.

from bs4 import BeautifulSoup
import requests

# Fetch a real webpage
url = 'https://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.content, 'html.parser')

# Extract all links
links = soup.find_all('a')

print(f"Found {len(links)} links:")
for link in links:
    href = link.get('href')
    text = link.get_text().strip()
    print(f"Text: {text} | URL: {href}")

# Filter links by criteria
external_links = []
for link in soup.find_all('a'):
    href = link.get('href')
    if href and href.startswith('http'):
        external_links.append(href)

print(f"\nFound {len(external_links)} external links")

Cuardach ar Eilimintí HTML Sonrach

Ceann de na láidreachtaí is mó de Beautiful Soup ná an chaoi a ligeann sé duit cuardach HTML go nádúrtha, beagnach mar a léann tú Béarla simplí. Seachas déileáil le APIanna DOM casta, déanann tú cur síos ar an méid atá uait, agus aimsíonn Beautiful Soup é ar do shon. Déan glacadh leis go dteastaíonn uait gach nasc ar leathanach a aimsiú. Is féidir leat an modh find_all a úsáid mar atá le feiceáil sa chód thíos. Tugann an modh liosta de na clibeanna nasc ar fad. Ansin rithimid tríd iad chun an URL agus an téacs a bhaint amach chun ainm an naisc infheicthe a fháil ag baint úsáide as API Python.

# Extract all anchor tags
links = soup.find_all('a')

for link in links:
    href = link.get('href')
    text = link.text.strip()
    print(f"Text: {text} | URL: {href}")

Láimhseáil Uathoibríoch Códúcháin

Is é ceann de na gnéithe is áisiúla de Beautiful Soup ná a athrú uathoibríoch ionchódaithe. Athraíonn an leabharlann go huathoibríoch na cáipéisí isteach go Unicode agus na cáipéisí amach go UTF-8, ag baint amach ceann de na cinn is coitianta de phian i scráping gréasáin. Cuimhnigh le do thoil nach gá duit smaoineamh ar ionchóduithe ach amháin nuair nach sonraíonn an cháipéis ionchódú, mar ní féidir le Beautiful Soup ionchódú a bhrath go huathoibríoch. I gcásanna raracha den sórt sin, ní mór duit an t-ionchódú bunaidh a shonrú de láimh.