[已解决]网页标签提取

xiaosi4081

rt
比如说：

1. 
   
2. <p>hello</p>
   
3. <p>test</p>
   

复制代码

提取p标签里面的内容

最佳答案

月排行榜 / 总排行榜

Twilight6

2020-5-19 12:09:07

xiaosi4081 发表于 2020-5-19 12:03
那能不能换成网页抓取

1. request = Request(url,headers=headers)
   
2. response = urlopen(request)
   
3. html = response.read().decode()
   
4. 
   
5. re.findall(r'<p>(.+?)</p>',html)
   

复制代码

像这样

跳转到最佳答案楼层

Twilight6

正则：

1. import re
   
2. 
   
3. string = """
   
4. 
   
5. <p>hello</p>
   
6. <p>test</p>
   
7. 
   
8. """
   
9. 
   
10. title = re.findall(r'<p>(.+?)</p>',string)
    
11. print(title)

复制代码

qiuyouzhi

bs4:
.text
XPath:
//text()

KevinHu

正则

KevinHu

Twilight6 发表于 2020-5-19 11:54
用正则吗？

你去看看Mike_Python小小，他有换头像了，换成你的了

xiaosi4081

Twilight6 发表于 2020-5-19 11:54
用正则吗？

bs4，正则都可以

xiaosi4081

KevinHu 发表于 2020-5-19 11:56
你去看看Mike_Python小小，他有换头像了，换成你的了

我也刚发现，额。。。。。。(⊙﹏⊙)

Twilight6

xiaosi4081 发表于 2020-5-19 11:59
我也刚发现

你看看~我编辑了

xiaosi4081

Twilight6 发表于 2020-5-19 11:59
你看看~我编辑了

TypeError: expected string or bytes-like object

Twilight6

xiaosi4081 发表于 2020-5-19 12:00
TypeError: expected string or bytes-like object

1. from bs4 import BeautifulSoup
   
2. 
   
3. string = """
   
4. 
   
5. <p>hello</p>
   
6. <p>test</p>
   
7. 
   
8. """
   
9. 
   
10. soup = BeautifulSoup(string,'lxml')
    
11. print(soup.select('p')[0].text)
    
12. print(soup.select('p')[1].text)

复制代码

永恒的蓝色梦想

1. from re import findall
   
2. 
   
3. string="<p>hello</p>\n<p>test</p>"
   
4. 
   
5. (i[3:-4]for i in findall("<p>.*?</p>",string))

复制代码

Twilight6

xiaosi4081 发表于 2020-5-19 12:00
TypeError: expected string or bytes-like object

哈哈 我代码里面打错了一个字符 你重新复制运行下

xiaosi4081

Twilight6 发表于 2020-5-19 12:02

那能不能换成网页抓取

Twilight6

xiaosi4081 发表于 2020-5-19 12:00
TypeError: expected string or bytes-like object

正则的已经修改了 ，漂亮的汤用法在楼下

Twilight6

xiaosi4081 发表于 2020-5-19 12:03
那能不能换成网页抓取

你把网页提取出来的数据参数放到这里即可：

1. re.findall(r'<p>(.+?)</p>',这里~)

复制代码

Twilight6

xiaosi4081 发表于 2020-5-19 12:03
那能不能换成网页抓取

1. request = Request(url,headers=headers)
   
2. response = urlopen(request)
   
3. html = response.read().decode()
   
4. 
   
5. re.findall(r'<p>(.+?)</p>',html)
   

复制代码

像这样

xiaosi4081

Twilight6 发表于 2020-5-19 12:09
像这样

header的参数是什么，我是直接用requests

Twilight6

xiaosi4081 发表于 2020-5-19 12:18
header的参数是什么，我是直接用requests

伪装成浏览器 header是浏览器向服务器发送的一个头信息，上面的代码就是发送了浏览器自己的型号。
headers 是浏览器请求头，模仿浏览器访问，后面小甲鱼会教到，你暂时可以删掉这个参数，没填这个的话就是默认是用python型号访问，别人网站一般下就识别出来是爬虫

xiaosi4081

Twilight6 发表于 2020-5-19 12:39
伪装成浏览器 header是浏览器向服务器发送的一个头信息，上面的代码就是发送了浏览器自己的型号。
hea ...

举个栗子吧

Twilight6

xiaosi4081 发表于 2020-5-19 13:04
举个栗子吧

打开浏览器审核元素，里面的 User-Agent 就是浏览器型号，我们发出请求时候都要带上 User-Agent 信息，发送给服务器，服务器接收信息

如果你用python访问 而且你还没设置 User-Agent 型号信息 ，默认就会把python的型号发给服务器，若网站有反爬机制，你请求了，他直接拒绝你的访问了