python - BeautifulSoup:如何从此链接获取所有文章链接?
问题描述
我想从“https://www.cnnindonesia.com/search?query=covid”获取所有文章链接这是我的代码:
links = []
base_url = requests.get(f"https://www.cnnindonesia.com/search?query=covid")
soup = bs(base_url.text, 'html.parser')
cont = soup.find_all('div', class_='container')
for l in cont:
l_cont = l.find_all('div', class_='l_content')
for bf in l_cont:
bf_cont = bf.find_all('div', class_='box feed')
for lm in bf_cont:
lm_cont = lm.find('div', class_='list media_rows middle')
for article in lm_cont.find_all('article'):
a_cont = article.find('a', href=True)
if url:
link = a['href']
links.append(link)
结果如下:
links
[]
解决方案
每篇文章都有这样的结构:
<article class="col_4">
<a href="https://www.cnnindonesia.com/...">
<span>...</span>
<h2 class="title">...</h2>
</a>
</article>
更简单地迭代文章元素然后查找元素。
尝试:
from bs4 import BeautifulSoup
import requests
links = []
response = requests.get(f"https://www.cnnindonesia.com/search?query=covid")
soup = BeautifulSoup(response.text, 'html.parser')
for article in soup.find_all('article'):
url = article.find('a', href=True)
if url:
link = url['href']
print(link)
links.append(link)
print(links)
输出:
https://www.cnnindonesia.com/nasional/...pola-sawah-di-laut-natuna-utara
...
['https://www.cnnindonesia.com/nasional/...pola-sawah-di-laut-natuna-utara', ...
'https://www.cnnindonesia.com/gaya-hidup/...ikut-penerbangan-gravitasi-nol']
更新:
如果要提取由 JavaScript 在<div class="list media_rows middle">
元素内动态添加的 URL,则必须使用Selenium之类的东西,它可以在 Web 浏览器中呈现整个页面后提取内容。
from selenium import webdriver
from selenium.webdriver.common.by import By
url = 'https://www.cnnindonesia.com/search?query=covid'
links = []
options = webdriver.ChromeOptions()
pathToChromeDriver = "chromedriver.exe"
browser = webdriver.Chrome(executable_path=pathToChromeDriver,
options=options)
try:
browser.get(url)
browser.implicitly_wait(10)
html = browser.page_source
content = browser.find_element(By.CLASS_NAME, 'media_rows')
for elt in content.find_elements(By.TAG_NAME, 'article'):
link = elt.find_element(By.TAG_NAME, 'a')
href = link.get_attribute('href')
if href:
print(href)
links.append(href)
finally:
browser.quit()
推荐阅读
- hyperledger-fabric - 尝试访问 Hyperledger Fabric 身份提供者上下文时,角色和从属关系为空
- caching - Mike Acton 的面向数据的设计 - “每个缓存行的循环”计算是否正确?
- javascript - 如何将结果从文件发送到 HTML 模板
- javascript - 以实时方式从输入中获取多个值JQuery
- wso2 - 丰富中介抛出 json 格式错误的错误
- ios - AudioUnit 不在 tvOS 上播放音频
- filter - ffmpeg -ss 然后应用过滤器然后 concat 产生时间戳错误
- c# - wpf CheckBox 命令参数
- python - 使用 Beautiful Soup 抓取 Youtube 验证徽章的实例?
- node.js - 如何读取通过服务器端 (node-express) 上的 Passport 设置的客户端 (react) cookie?