Python - načtení www stránky
 x   TIP: Přetáhni ikonu na hlavní panel pro připnutí webu

Python - načtení www stránkyPython - načtení www stránky

 

Python - načtení www stránky

Google       Google       8. 9. 2005       20 068×

Z nejrůznějších důvodů někdy potřebujeme načíst www stránku nejen v prohlížeči, ale i programově. Třeba ji chceme uložit nebo programově zjišťovat, jestli tam je nějaký tag, nebo stahovat všechny odkazy z té stránky. Většinu z toho si ukážeme.


Jak načíst a zpracovat obsah www stránky?

Z nejrůznějších důvodů někdy potřebujeme načíst www stránku nejen v prohlížeči, ale i programově. Třeba ji chceme uložit nebo programově zjišťovat, jestli tam je nějaký tag, nebo stahovat všechny odkazy z té stránky. Většinu z toho si ukážeme.

Stažení je snadné

Python obsahuje spousty báječných modulů přímo ve standardní distribuci. Ten, který se nám hodí pro stahování se jmenuje urllib.


# -*- coding: cp1250 -*- 
import urllib
fp = urllib.urlopen('http://www.py.cz/PythonZaciname')
data = fp.read()
fp.close()

Stránku máme v řetězci

V proměnné data máme uloženou celou webovou stránku. A můžeme si s ní hrát. Proměnná data je obyčejný řetězec, takže jako s takovým s ním můžeme zacházet.

Můžeme ji třeba uložit

s=file('StazenaStranka.html','w')
s.write(data)
s.close()

Z hlavičky HTML stránky jsem si přečetl, že : < meta http-equiv="Content-Type" content="text/html;charset=utf-8" />. Přetransformujeme tedy obyčejný řetězec v kodování utf-8 na unicode řetězec a pracujeme nadále s ním.


data=unicode(data,'utf-8')  

print data
print '-'*80
print len(data)  # kolik ma znaku
print data[100]  # pismeno na 99. miste
print len(data.splitlines())  # kolik ma radku
print data.count('program')  # kolik je tam slov 'program'

# pokud máme vše v unicode, nedělá čeština problémy
print data.count(u'začít') 

Výpis všech odkazů

Pokud bychom ale chtěli vypsat všechny tagy <a>, tak s dosavadním přístupem by to bylo obtížnější. Určitě to jde, ale to si můžeme schovat na jindy. Tento problém jistě řešilo spousty lidí před námi a nám tu po nich zbyly moduly, které to řeší. Tak mě napadá, abychom my nezapomínali na ty, co přijdou po nás ;-).

Ten vestavěný modul se jmenuje HTMLParser. Parser proto, že právě to rozebírání, rozkouskování kódu na jednotlivé elementy, tagy, .. tomu se říká parsování. My ale pouzijeme jiný, jednodušší.


BeautifulSoup

Beautiful Soup je nadstandarní, velmi pythonýrské zpracování HTML stránky. Stáhněte si ho a nakopírujte si ho nejlépe do složky, kam se ukládají všechny slušné moduly - do Python24/Lib/site-packages.

BeautifulSoup neumí zatím moc s unicode pracovat, takže pokud dostanete chybovou hlášku UnicodeEncodeError, doporučuji nepřevádět data na unicode, jak jsem naznačoval výše. Vyzkoušejte následující příklad:

import BeautifulSoup, re

soup=BeautifulSoup.BeautifulSoup(data)

print '-'*80
print soup('a')  # všechny tagy, které jsou odkazy v seznamu
atribut href
print len(soup('a'))  # kolik jich tam je
print '-'*80
print soup('h1')  # všechny nadpisy h1 v seznamu
print '-'*80        

titleTag = soup.html.head.title
print titleTag
print titleTag.string
print '-'*80        

Za použití mocného ale složitého modulu re můžeme vyhledávat třebas všechny odkazy s atributem href, které začínají na "http".


href= soup('a',  {'href' : re.compile('http.*')})
for odkaz in href:
    print odkaz['href']

S těmito rozparsovanými řetězci se pak pracuje již daleko pohodlněji než s 'data', kde to máme všechno na jedné hromadě. Daleko více ke všem možným funkcím BeautifulSoup hledejte na jeho HomePage :-). Umí toho opravdu hodně.

×Odeslání článku na tvůj Kindle

Zadej svůj Kindle e-mail a my ti pošleme článek na tvůj Kindle.
Musíš mít povolený příjem obsahu do svého Kindle z naší e-mailové adresy kindle@programujte.com.

E-mailová adresa (např. novak@kindle.com):

TIP: Pokud chceš dostávat naše články každé ráno do svého Kindle, koukni do sekce Články do Kindle.

3 názory  —  3 nové  
Hlasování bylo ukončeno    
0 hlasů
Google
(fotka) Pavel KosinaAutor programuje v Pythonu.
Web    

Nové články

Obrázek ke článku Stavebnice umělé inteligence 1

Stavebnice umělé inteligence 1

Článek popisuje první část stavebnice umělé inteligence. Obsahuje lineární a plošnou optimalizaci.  Demo verzi je možné použít pro výuku i zájmovou činnost. Profesionální verze je určena pro vývojáře, kteří chtějí integrovat popsané moduly do svých systémů.

Obrázek ke článku Hybridní inteligentní systémy 2

Hybridní inteligentní systémy 2

V technické praxi využíváme často kombinaci různých disciplín umělé inteligence a klasických výpočtů. Takovým systémům říkáme hybridní systémy. V tomto článku se zmíním o určitém typu hybridního systému, který je užitečný ve velmi složitých výrobních procesech.

Obrázek ke článku Jak vést kvalitně tým v IT oboru: Naprogramujte si ty správné manažerské kvality

Jak vést kvalitně tým v IT oboru: Naprogramujte si ty správné manažerské kvality

Vedení týmu v oboru informačních technologií se nijak zvlášť neliší od jiných oborů. Přesto však IT manažeři čelí výzvě v podobě velmi rychlého rozvoje a tím i rostoucími nároky na své lidi. Udržet pozornost, motivaci a efektivitu týmu vyžaduje opravdu pevné manažerské základy a zároveň otevřenost a flexibilitu pro stále nové výzvy.

Obrázek ke článku Síla týmů se na home office může vytrácet. Odborníci radí, jak z pracovních omezení vytěžit maximum

Síla týmů se na home office může vytrácet. Odborníci radí, jak z pracovních omezení vytěžit maximum

Za poslední rok se podoba práce zaměstnanců změnila k nepoznání. Především plošné zavedení home office, které mělo být zpočátku jen dočasným opatřením, je pro mnohé už více než rok každodenní realitou. Co ale dělat, když se při práci z domova ztrácí motivace, zaměstnanci přestávají komunikovat a dříve fungující tým se rozpadá na skupinu solitérů? Odborníci na personalistiku dali dohromady několik rad, jak udržet tým v chodu, i když pracovní podmínky nejsou ideální.

Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032024 Programujte.com
Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý