怎样在Python中使用BeautifulSoup提取新闻网站文本和图片

冬杰小哥_5852

冬杰小哥_5852

2026-10-26

825人浏览

原创

直接用BeautifulSoup提取新闻网站正文和图片可行,但需搭配requests获取HTML,并避开反爬与结构陷阱:动态内容需检查JS加载逻辑,class名易变应优先用组合CSS选择器定位;图片常藏于data-src等属性而非src,文本提取推荐get_text(strip=True, separator=' ')避免空行乱码。

怎样在python中使用beautifulsoup提取新闻网站文本和图片

直接用 BeautifulSoup 提取新闻网站的文本和图片是可行的,但必须搭配 requests 先拿到 HTML,且要避开常见反爬和结构陷阱——否则你可能拿到空列表、乱码、或一堆占位图链接。

为什么 soup.find_all('p') 经常抓不到正文?

新闻网站正文往往藏在动态加载的 JS 里,或者用 class 名做了混淆(比如 class="article-content__body" 或随机字符串),也可能被包裹在

这类属性中。单纯按标签名找 p 或 div 基本失效。
  • 先用浏览器开发者工具(F12 → Elements)定位真实内容容器,右键「Copy selector」拿一个可靠的 CSS 选择器
  • 避免硬写 soup.find('div', class_='content') —— class 值经常变,优先用 soup.select('main article .prose p') 这类组合选择器
  • 有些站点用注释节点或 占位,BeautifulSoup 会跳过它们,但你要确认 HTML 真实下载下来了(print(len(response.text)) 看长度是否合理)

soup.find('img') 返回的 src 为什么全是占位符?

很多新闻站把真实图片 URL 放在 data-src、data-lazy-src 或 srcset 里,src 字段只填个 /images/placeholder.jpg。直接取 img['src'] 就会错。

  • 统一检查常用懒加载属性:img.get('data-src') or img.get('data-lazy-src') or img.get('src')
  • srcset 是逗号分隔的多分辨率 URL,用 img.get('srcset', '').split(',')[0].strip().split()[0] 取第一个清晰 URL
  • 注意相对路径:如果返回的是 //cdn.example.com/img.jpg 或 /uploads/2024/01/photo.jpg,需拼上协议或域名前缀

提取文本时,.text 和 .get_text(strip=True) 差在哪?

.text 会保留所有换行和多余空格,而新闻正文常含大量
、

和广告 div,导致中间塞满空行;.get_text() 更可控。

  • 加 strip=True 自动去掉首尾空白
  • 加 separator=' ' 把换行和块级标签间的空隙统一替换成空格,避免“标题\n\n\n正文”变成“标题 正文”
  • 慎用 string 属性——只要标签内有子标签(比如

    作者:张三

    Python 环境工具专业版
    Python 环境工具专业版

    Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期,并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看,该技能

    下载
    ),string 就返回 None

图片下载失败的三个隐蔽原因

拿到图片 URL 后用 requests.get(img_url) 下载,失败往往不是代码问题,而是环境或协议细节没处理好。

  • HTTP 重定向被忽略:requests.get(img_url, allow_redirects=True) 必须显式开启,否则 302 跳转后返回空响应
  • 缺少请求头:headers={'User-Agent': 'Mozilla/5.0'} 是基本门槛,否则服务器直接 403
  • HTTPS 证书验证失败(尤其内网或测试环境):verify=False 可临时绕过,但生产环境应配好证书路径

真正麻烦的从来不是语法,而是每个新闻站都有一套自己的 HTML 套路和反爬小动作。别指望写一个通用函数跑遍全网,每次换目标站,第一件事是打开 DevTools 看真实结构,第二件事是检查 Network 面板里图片资源的真实加载方式——这两步跳过,后面全白搭。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python css选择器 html css js

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admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1951

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5504

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1889

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

33597

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3947

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

3947

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程