Python-HTMLページを読む

beautifulsoupとして知られるライブラリ。このライブラリを使用して、htmlタグの値を検索し、ページのタイトルやページ内のヘッダーのリストなどの特定のデータを取得できます。

Beautifulsoupをインストールする

Anacondaパッケージマネージャーを使用して、必要なパッケージとその依存パッケージをインストールします。

conda install Beaustifulsoap

HTMLファイルを読む

以下の例では、Python環境にロードされるURLをリクエストします。次に、htmlパーサーパラメーターを使用して、htmlファイル全体を読み取ります。次に、htmlページの最初の数行を印刷します。

import urllib2
from bs4 import BeautifulSoup

# Fetch the html file
response = urllib2.urlopen('http://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()

# Parse the html file
soup = BeautifulSoup(html_doc, 'html.parser')

# Format the parsed html file
strhtm = soup.prettify()

# Print the first few characters
print (strhtm[:225])

上記のコードを実行すると、次のような結果になります。

<!DOCTYPE html>
<!--[if IE 8]><html class="ie ie8"> <![endif]-->
<!--[if IE 9]><html class="ie ie9"> <![endif]-->
<!--[if gt IE 9]><!-->
<html>
 <!--<![endif]-->
 <head>
  <!-- Basic -->
  <meta charset="utf-8"/>
  <title>

タグ値の抽出

次のコードを使用して、タグの最初のインスタンスからタグ値を抽出できます。

import urllib2
from bs4 import BeautifulSoup

response = urllib2.urlopen('http://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()

soup = BeautifulSoup(html_doc, 'html.parser')

print (soup.title)
print(soup.title.string)
print(soup.a.string)
print(soup.b.string)

上記のコードを実行すると、次のような結果になります。

Python Overview
Python Overview
None
Python is Interpreted

すべてのタグを抽出する

次のコードを使用して、タグのすべてのインスタンスからタグ値を抽出できます。

import urllib2
from bs4 import BeautifulSoup

response = urllib2.urlopen('http://tutorialspoint.com/python/python_overview.htm')
html_doc = response.read()
soup = BeautifulSoup(html_doc, 'html.parser')

for x in soup.find_all('b'): print(x.string)

上記のコードを実行すると、次のような結果になります。

Python is Interpreted
Python is Interactive
Python is Object-Oriented
Python is a Beginner's Language
Easy-to-learn
Easy-to-read
Easy-to-maintain
A broad standard library
Interactive Mode
Portable
Extendable
Databases
GUI Programming
Scalable