当前位置:

首页 > 编程开发 > Python抓取技巧:同名类标签精准筛选方法

Python抓取技巧:同名类标签精准筛选方法

本文详细介绍了如何利用Python的requests和BeautifulSoup库进行网页数据抓取,特别是当网页中存在多个具有相同HTML类名的元素时,如何精确筛选出所需信息。文章着重演示了如何通过高级CSS选择器,例如:-soup-contains(),来排除不符合条件的数据(如“在线视频咨询”),从而实现高效且准确的数据提取。

本文目录

    Python Web Scraping技巧:处理同名类标签并精确筛选数据

    本文详细介绍了如何利用Python的requests和BeautifulSoup库进行网页数据抓取,特别是当网页中存在多个具有相同HTML类名的元素时,如何精确筛选出所需信息。文章着重演示了如何通过高级CSS选择器,例如:-soup-contains(),来排除不符合条件的数据(如“在线视频咨询”),从而实现高效且准确的数据提取。

    网页数据抓取中的常见挑战

    在进行网页数据抓取(Web Scraping)时,开发者经常会遇到一个普遍的问题:网页上的不同类型的信息可能被包裹在具有相同HTML类名(class name)的标签中。例如,一个医生可能有多个执业地点,包括实体医院和在线咨询服务,而这些地点信息可能都使用相同的

    标签和class属性。如果我们的目标是仅获取实体医院的地点信息,而排除在线咨询,就需要一种有效的方法来区分和筛选这些数据。

    工具准备

    要解决上述问题,我们将使用Python中两个强大的库:

    • requests: 用于向目标网站发送HTTP请求,获取网页的HTML内容。
    • BeautifulSoup: 一个解析HTML和XML文档的库,能够方便地从复杂结构中提取数据。

    在开始之前,请确保已安装这些库:

    pip install requests beautifulsoup4

    核心问题:同名类标签与数据筛选

    假设我们正在抓取医生信息,每个医生可能在多个地点提供服务。这些地点(无论是实体医院还是在线咨询)都可能使用相同的CSS类名(例如listing-locations)。我们的目标是只获取医生提供的实体医院服务地点,并忽略任何“在线视频咨询”的地点。

    解决方案详解

    解决此问题的关键在于利用BeautifulSoup提供的强大CSS选择器功能,特别是:-soup-contains()伪类选择器,它允许我们根据元素内包含的文本内容进行筛选。

    1. 获取网页内容

    首先,我们需要使用requests库获取目标网页的HTML内容。

    import requests
    from bs4 import BeautifulSoup
    
    url = "https://oladoc.com/pakistan/lahore/gynecologist"
    # 发送GET请求并获取响应
    response = requests.get(url)
    # 检查请求是否成功
    response.raise_for_status() 
    # 使用BeautifulSoup解析HTML内容
    soup = BeautifulSoup(response.content, "html.parser")

    2. 定位医生信息

    通常,网页上的每个独立信息块(例如,每个医生的完整信息)都会被一个特定的HTML元素包裹。我们需要找到这些主要的容器。根据示例,每个医生的信息都包含在class="gynecologist"的元素中。

    # 遍历所有医生信息块
    for g in soup.select(".gynecologist"):
        # 提取医生姓名
        doctor_name = g.h2.get_text(strip=True)
        print("姓名:", doctor_name)
    
        # ... 接下来是提取地点信息

    3. 精确筛选医院位置

    这是解决问题的核心步骤。我们需要选择所有具有listing-locations类的元素,但同时排除那些文本内容包含“Online Video Consultation”的元素。BeautifulSoup的select()方法支持复杂的CSS选择器,包括:-soup-contains()。

    • listing-locations: 选择所有class为listing-locations的元素。
    • :-soup-contains('Online Video Consultation'): 选择包含特定文本“Online Video Consultation”的元素。
    • :not(...): 否定选择器,排除括号内匹配的元素。

    结合起来,".listing-locations:not(:-soup-contains('Online Video Consultation'))"将选择所有class为listing-locations,但不包含“Online Video Consultation”文本的元素。

        # 筛选医院地点:选择所有class为listing-locations,且不包含“Online Video Consultation”文本的元素
        hospitals = g.select(
            ".listing-locations:not(:-soup-contains('Online Video Consultation'))"
        )
    
        # 提取每个筛选出的医院名称
        hospital_names = [h.span.text.strip() for h in hospitals]
        print("医院:", hospital_names)
        print("-" * 30) # 分隔线,使输出更清晰

    4. 完整代码示例

    将以上步骤整合,得到完整的Python抓取脚本:

    import requests
    from bs4 import BeautifulSoup
    
    # 目标URL
    url = "https://oladoc.com/pakistan/lahore/gynecologist"
    
    try:
        # 发送GET请求并获取网页内容
        response = requests.get(url)
        response.raise_for_status()  # 检查请求是否成功,如果状态码不是200,则抛出异常
    
        # 使用BeautifulSoup解析HTML
        soup = BeautifulSoup(response.content, "html.parser")
    
        # 遍历页面上所有的医生信息块
        for g in soup.select(".gynecologist"):
            # 提取医生姓名
            doctor_name = g.h2.get_text(strip=True)
            print("姓名:", doctor_name)
    
            # 筛选医院地点:
            # 选择所有class为"listing-locations"的元素,
            # 但排除那些内部文本包含"Online Video Consultation"的元素。
            hospitals = g.select(
                ".listing-locations:not(:-soup-contains('Online Video Consultation'))"
            )
    
            # 提取每个筛选出的医院名称,并去除首尾空白
            hospital_names = [h.span.text.strip() for h in hospitals]
            print("医院:", hospital_names)
            print("-" * 40) # 打印分隔线
    
    except requests.exceptions.RequestException as e:
        print(f"请求失败: {e}")
    except Exception as e:
        print(f"发生错误: {e}")
    

    输出示例:

    姓名: Dr. Ayesha Azam Khan
    医院: ['National Hospital & Medical Centre  (DHA)', 'Surgimed Hospital (Gulberg)']
    ----------------------------------------
    姓名: Dr. Maliha Amjad
    医院: ['Omar Hospital & Cardiac Centre (Johar Town) (Johar Town)', 'Shalamar Hospital (Mughalpura)']
    ----------------------------------------
    姓名: Dr. Sara Rasul
    医院: ['Hameed Latif Hospital (New Garden Town)', 'Hameed Latif Medical Center (DHA)']
    ----------------------------------------
    # ... 更多医生信息

    注意事项

    1. 网页结构变化: 网页的HTML结构可能会随时更新。如果目标网站的HTML类名、标签结构或文本内容发生变化,上述CSS选择器可能需要调整。
    2. 伦理与法律: 在进行网页抓取时,请务必遵守网站的robots.txt协议和使用条款。避免对网站造成过大负载,可以设置请求间隔(time.sleep())。
    3. 错误处理: 在实际项目中,应加入更健壮的错误处理机制,例如处理网络连接问题、页面元素不存在的情况等。上述代码已加入基本的try-except块。
    4. 进一步筛选: 如果您严格要求每个医生只获取一个地点(例如,只取第一个物理地点),可以在hospital_names列表不为空的情况下,进一步选择hospital_names[0]。
    5. 代理与用户代理: 对于某些网站,可能需要设置请求头(User-Agent)或使用代理IP来避免被反爬机制阻止。

    总结

    通过本教程,我们学习了如何利用Python的requests和BeautifulSoup库,结合强大的CSS选择器(特别是:-soup-contains()和:not()),有效地处理网页抓取中同名类标签的挑战。这种方法不仅能够精确地筛选出所需数据,还能排除不必要或干扰性的信息,从而提高数据抓取的准确性和效率。掌握这些技巧,将使您在面对复杂网页结构时更加游刃有余。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?

    说明源码提交对字符串、生成器和数组的识别边界,以及扫描命令与发行包核验限制。

    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?
    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?

    0.170.0 的语音更新限于终端通话协商能力的明确新增,同名工具服务器跨环境支持仍标注实验性质;连接部分则修复大请求回退、认证竞态和云端重连等具体问题。这份正式版公告不足以证明所有账户、所有客户端都已具备完整语音功能。

    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?

    了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化
    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化。说明已核实的更新范围、类型兼容性和本地版本确认方法。

    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?
    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?

    OpenAI Java SDK 4.108.0 面向 Live MCP 工具接入与 Managed Agents 预算状态处理,说明新增模型、事件含义、正式发布范围和适用限制。

    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?
    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?

    Free Claude Code 6.19.37 在自动搜索时保留客户端工具及选择条件,代理执行搜索后仍返回普通调用。说明适用场景、历史信息保留、请求约束与第三方项目的版本边界。

    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?
    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?

    Google GenAI Go SDK 1.78.0 将 Gemini Developer API 默认改为 v1,可用 HTTPOptions.APIVersion 或环境变量保留 v1beta,Vertex AI 默认值不变。

    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?
    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?

    解释实验性实时支持、环境检查与生产评估中需要验证的条件。

    EGM Lite 为什么不会在生成检查清单后自动执行?
    EGM Lite 为什么不会在生成检查清单后自动执行?

    围绕 EGM Lite Stage 2 的仓库实现说明五步职责、人工执行门槛、独立审查条件及已分发包的证据边界。

    Open Code Review 1.13.12 的部分失败与字节边界该怎样评估?
    Open Code Review 1.13.12 的部分失败与字节边界该怎样评估?

    Open Code Review 1.13.12 的升级评估应同时关注退出状态、覆盖缺口与文件读取截断边界。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。