Requisito previo: Implementar Web Scraping en Python con BeautifulSoup
En este artículo vamos a ver cómo extraer CSS de un documento HTML o URL usando python.
Módulo necesario:
- bs4: Beautiful Soup (bs4) es una biblioteca de Python para extraer datos de archivos HTML y XML. Este módulo no viene integrado con Python. Para instalar este tipo, escriba el siguiente comando en la terminal.
pip install bs4
- requests: Requests le permite enviar requests HTTP/1.1 con mucha facilidad. Este módulo tampoco viene integrado con Python. Para instalar este tipo, escriba el siguiente comando en la terminal.
pip install requests
Acercarse:
- Módulo de importación
- Cree un documento HTML y especifique la etiqueta CSS en el código
- Pase el documento HTML a la función Beautifulsoup()
- Ahora recorra la etiqueta con el método select().
Implementación:
Python3
# import module
from bs4 import BeautifulSoup
# Html doc
html_doc = """
<html>
<head>
<title>Geeks</title>
</head>
<body>
<h2>paragraphs</h2>
<p>Welcome geeks.</p>
<p>Hello geeks.</p>
<a class="example" href="www.geeksforgeeks.com" id="dsx_23">java</a>
<a class="example" href="www.geeksforgeeks.com/python" id="sdcsdsdf">python</a>
</body>
</html>
"""
soup = BeautifulSoup(html_doc, "lxml")
# traverse CSS from soup
print("display by CSS class:")
print(soup.select(".example"))
Producción:
display by CSS class: [<a class="example" href="www.geeksforgeeks.com" id="dsx_23">java</a>, <a class="example" href="www.geeksforgeeks.com/python" id="sdcsdsdf">python</a>]
Ahora obtengamos la etiqueta CSS con URL:
Python3
# import module
from bs4 import BeautifulSoup
import requests
# link for extract html data
# Making a GET request
def getdata(url):
r=requests.get(url)
return r.text
html_doc = getdata('https://www.geeksforgeeks.org/')
soup = BeautifulSoup(html_doc,"lxml")
# traverse CSS from soup
print("\nTags by CSS class:")
print(soup.select(".header-main__wrapper"))
Producción:
Publicación traducida automáticamente
Artículo escrito por kumar_satyam y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA