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

Python - načtení www stránkyPython - načtení www stránky

 

Python - načtení www stránky

Google       Google       8. 9. 2005       14 600×

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.

Reklama
Reklama

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 Delphi 10.1.2 (Berlin Update 2) – na co se můžeme těšit

Delphi 10.1.2 (Berlin Update 2) – na co se můžeme těšit

Touto roční dobou, kdy je zem pokrytá barevným listím a prsty křehnou v mrazivých ránech, se obvykle těšíme na zbrusu novou verzi RAD Studia. Letos si však ale budeme muset počkat na Godzillu a Linux až do jara. Vezměme tedy za vděk alespoň updatem 2 a jelikož dle vyjádření pánů z Embarcadero se budou nové věci objevovat průběžně, pojďme se na to tedy podívat.

Reklama
Reklama
Obrázek ke článku Konference: Moderní datová centra pro byznys dneška se koná už 24. 11.

Konference: Moderní datová centra pro byznys dneška se koná už 24. 11.

Stále rostoucí zájem o cloudové služby i maximální důraz na pružnost, spolehlivost a bezpečnost IT vedou k výrazným inovacím v datových centrech. V infrastruktuře datových center hraje stále významnější roli software a stále častěji se lze setkat s hybridními přístupy k jejich budování i provozu.

Obrázek ke článku Konference: Mobilní technologie mají velký potenciál pro byznys

Konference: Mobilní technologie mají velký potenciál pro byznys

Firmy by se podle analytiků společnosti Gartner měly  rychle přizpůsobit skutečnosti, že mobilní technologie už zdaleka nejsou horkou novinkou, ale standardní součástí byznysu. I přesto - nebo možná právě proto - tu nabízejí velký potenciál. Kde tedy jsou ty největší příležitosti? I tomu se bude věnovat již čtvrtý ročník úspěšné konference Mobilní řešení pro business.

Obrázek ke článku Hackerský kongres přiveze v září do Prahy špičky světové kryptoanarchie

Hackerský kongres přiveze v září do Prahy špičky světové kryptoanarchie

Hackerský kongres HCPP16 pořádá od 30. září do 2. října nezisková organizace Paralelní Polis již potřetí, a to ve stejnojmenném bitcoinovém prostoru v pražských Holešovicích. Letos přiveze na třídenní konferenci přes 40 většinou zahraničních speakerů – lídrů z oblastí technologií, decentralizované ekonomiky, politických umění a aktivismu. Náměty jejich přednášek budou také hacking, kryptoměny, věda, svoboda nebo kryptoanarchie.

loadingtransparent (function() { var po = document.createElement('script'); po.type = 'text/javascript'; po.async = true; po.src = 'https://apis.google.com/js/plusone.js'; var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(po, s); })();
Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032016 Programujte.com
Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý