BeautifulSoup – 从 HTML 中抓取段落

在本文中，我们将讨论如何使用 Beautiful Soup 从 HTML 中删除段落

方法一：使用bs4和urllib。

所需模块：

• bs4: Beautiful Soup(bs4) 是一个Python库，用于从 HTML 和 XML 文件中提取数据。用于安装模块-

pip install bs4.

• urllib： urllib 是一个包，它收集了几个用于处理 URL 的模块。它也可以以相同的方式安装，它大部分是内置在环境本身中的。

pip install urllib

html 文件包含几个标签，比如锚标签 、span 标签 、段落标签

等。所以，美丽的汤帮助我们解析 html 文件并获得我们想要的输出，例如获取段落来自特定的 url/html 文件。

解释：

导入模块urllib和bs4后，我们将提供一个带有要读取的 url 的变量， urllib.request.urlopen()函数将请求转发到服务器以打开 url。 BeautifulSoup()函数帮助我们解析 html 文件或者你说 html 中的编码。此处与find_all()一起使用的循环查找包含段落标记

的所有标记，并且它们之间的文本由get_text()方法收集。

下面是实现：

Python3

# importing modules
import urllib.request 
from bs4 import BeautifulSoup
  
# providing url
url = "https://www.geeksforgeeks.org/how-to-automate-an-excel-sheet-in-python/?ref=feed"
  
# opening the url for reading
html = urllib.request.urlopen(url)
  
# parsing the html file
htmlParse = BeautifulSoup(html, 'html.parser')
  
# getting all the paragraphs
for para in htmlParse.find_all("p"):
    print(para.get_text())

输出：

方法二：使用requests和bs4

所需模块：

• bs4: Beautiful Soup(bs4) 是一个Python库，用于从 HTML 和 XML 文件中提取数据。这个模块没有内置于Python中。要安装此类型，请在终端中输入以下命令。

pip install bs4

• 请求：请求允许您非常轻松地发送 HTTP/1.1 请求。这个模块也没有内置于Python中。要安装此类型，请在终端中输入以下命令。

pip install requests

方法：

• 导入模块
• 创建一个 HTML 文档并在代码中指定 '

  ' 标签

• 将 HTML 文档传递给 Beautifulsoup()函数
• 使用“P”标签从 Beautifulsoup 对象中提取段落
• 使用 get_text() 从 HTML 文档中获取文本。

代码：

蟒蛇3

# import module 
import requests 
import pandas as pd 
from bs4 import BeautifulSoup 
  
# link for extract html data 
def getdata(url): 
    r = requests.get(url) 
    return r.text 
  
htmldata = getdata("https://www.geeksforgeeks.org/how-to-automate-an-excel-sheet-in-python/?ref=feed") 
soup = BeautifulSoup(htmldata, 'html.parser') 
data = '' 
for data in soup.find_all("p"): 
    print(data.get_text()) 

输出：