Python - Lendo páginas HTML

biblioteca conhecida como beautifulsoup. Usando esta biblioteca, podemos pesquisar os valores das tags html e obter dados específicos, como o título da página e a lista de cabeçalhos na página.

Instale Beautifulsoup

Use o gerenciador de pacotes Anaconda para instalar o pacote requerido e seus pacotes dependentes.

conda install Beaustifulsoap

Lendo o arquivo HTML

No exemplo abaixo, fazemos uma solicitação para que um url seja carregado no ambiente Python. Em seguida, use o parâmetro do analisador html para ler todo o arquivo html. A seguir, imprimimos as primeiras linhas da página html.

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])

Quando executamos o código acima, ele produz o seguinte resultado.

<!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>

Extraindo o valor da tag

Podemos extrair o valor da tag da primeira instância da tag usando o código a seguir.

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)

Quando executamos o código acima, ele produz o seguinte resultado.

Python Overview
Python Overview
None
Python is Interpreted

Extraindo todas as tags

Podemos extrair o valor da tag de todas as instâncias de uma tag usando o código a seguir.

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)

Quando executamos o código acima, ele produz o seguinte resultado.

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