主页 / 问题 / 1591764
Accepted
Irking
Asked:2024-08-24 20:45:23 +0800 CST2024-08-24 20:45:23 +0800 CST

解析 Habr (Python + LxmlSoup)

  • 772

我刚刚开始尝试解析并决定制作一个发送文章列表的机器人。

我在这里收集了标题和最近文章的链接：

from LxmlSoup import LxmlSoup
import requests

html = requests.get('https://habr.com/ru/articles/').text
soup = LxmlSoup(html)

links = soup.find_all('a', class_='tm-title__link')

for i, link in enumerate(links, start=1):
    print(f'{i}: {link.text()}')
    print('https://habr.com' + link.get('href'), '\n')

现在的问题是：

  1. 如何将解析限制为 3-5 个结果？这样他就不会收集整个页面，而只会收集新的 3-5 篇文章（它们是在 hub 上订购的）。
  2. 如何获取一篇文章的发表时间？ Hub上的标题旁边写着“55分钟前”，我想记录一个特定的时间（收集统计数据，例如“周四，发表文章的平均时间为40分钟”）
  3. 在哪里以及从哪里阅读有关 html 的内容 - 我很难理解要查找哪些标签以及如何从中获取信息。

如果有的话，这些任务本质上纯粹是教育性的。

python

2 个回答

  1. 第一个问题：

    “如何将解析限制为 3-5 个结果？”

    magic_numbers = (13, 42, 54, 32, 12, 144)

for i, item in enumerate(magic_numbers, 1):
    if i > 5:
        print('Больше 5-ти элементов нам не надо, прерываем цикл.')
        break

    print(''.join(('Обработали:\n- первый элемент'.__mul__(i==1),
                   '- второй элемент'.__mul__(i==2),
                   '- третий элемент'.__mul__(i==3),
                   '- четвёртый элемент'.__mul__(i==4),
                   '- пятый элемент'.__mul__(i==5),)
                  )
    )

    输出：

    Обработали:     
- первый элемент
- второй элемент
- третий элемент
- четвёртый элемент
- пятый элемент
"Больше 5-ти элементов нам не надо, прерываем цикл."

    第二、第三个问题：

    在浏览器中，用鼠标选择所需的内容，然后人民币调出上下文菜单：（可能会有一个项目：“检查元素”-这取决于浏览器）然后查看哪个标签包含必要的数据，然后查看父标签 以了解如何提取所需的内容。
    在此输入图像描述



    在此输入图像描述

    • 2
  2. Best Answer
    1. 据我了解，该函数没有参数LxmlSoup，不像它的祖先 BeautifulSoup。所以你应该去：limitfind_all()bs4
    from bs4 import BeautifulSoup
import requests

html = requests.get('https://habr.com/ru/articles/').text
soup = BeautifulSoup(html, 'html.parser')

articles_limit = 5  # Изменить число статей на любое душе угодное
links = soup.find_all('a', class_='tm-title__link', limit=articles_limit)

for i, link in enumerate(links, start=1):
    print(f'{i}: {link.text}')
    print('https://habr.com' + link.get('href'), '\n')

    或者使用 解析所有文章LxmlSoup，然后只显示前五个链接（如果不需要额外的文章存储在列表中，可以使用截图）：

    ...
articles_limit = 5
for i, link in enumerate(links[:articles_limit], start=1):
    ...
    1. Habr 不仅仅将发布日期<time>及其相应属性放在标签中：
    <time datetime="2024-08-24T12:36:58.000Z" title="2024-08-24, 20:36">18 минут назад</time>

    datetime您可以通过、 或属性从那里提取日期title，具体取决于您更容易使用哪种格式：

    # В качестве примера взял код с bs4 выше
from bs4 import BeautifulSoup
import requests

html = requests.get('https://habr.com/ru/articles/').text
soup = BeautifulSoup(html, 'html.parser')

articles_count = 5
articles = soup.find_all('article', class_='tm-articles-list__item', limit=articles_count)

for i, article in enumerate(articles, start=1):
    link = article.find('a', class_='tm-title__link')
    date = article.find('a', class_='tm-article-datetime-published').find('time')
    print(f'{i}: {link.text}')
    print('https://habr.com' + link.get('href'))
    article_datetime = date.get('datetime')  # Либо date.get('title')
    print(f'Время публикации: {article_datetime}', '\n')
    1. 如果您基本上想了解什么是元素以及它们需要什么，我推荐英文版MDN 文档（ https://developer.mozilla.org/en-US/docs/Web/HTML/Element/ ）（可能是俄语，但并非所有内容都已翻译和转移）或俄语https://doka.guide/html/ 。如果您只需要了解 Habr 的语义，请打开 DevTools 并探索您感兴趣的所有内容。
    • 2

相关问题