Beautiful Soup (მონაცემების ამოღება HTML ფაილიდან)
მონაცემთა ანალიტიკოსს ხშირად უწევს მონაცემების ამოღება ვებ საიტებიდან,რათა მოახდინოს მათი ანალიზი. ამისათვის გამოიყენებენ სხვადასხვა ბიბლიოთეკებს და რესურსებს. Beautiful Soup-ი წარმოადგენს ერთერთ მადგანს.
ვებ საიტები დამზადებულია HTML-ის დახმარებით, Beautiful Soup-ი ახდენს მონაცემების ამოღებას თითოეული ფრაგმენტიდან
მოვიყვანთ ნიმუშს HTML ფაილის
[html]
<!DOCTYPE html>
<html>
<head>
<title>Data Science Course</title>
<style></style>
</head>
<body>
<h1 class="my-heading"> This is a Heading Tag </h1>
<p id="my-paragraph"> This is a paragraph in Data Science Course </p>
<em> This is an emphasis tag in Data Science Course </em>
<b> This is a tag for Bold Text </b>
<i> This is a tag for italic text </i>
<small> This is a tag for small text </small>
<u> This is a tag for underlined text </u>
<a href="https://www.educative.io/"> This is a link to Educative Home Page </a>
<a href="https://www.facebook.com/"> This is a link to Facebook Home Page </a>
<a href="https://twitter.com/"> This is a link to Twitter Home Page </a>
<script></script>
</body>
</html>
[/html]
ჩვენ ვხედავთ სხვადასხა ტეგებს,Beautiful Soup-ს შეუძლია ამ ტეგებიდან ინფორმაციის ამოღება. აი როგორ გამოიყურება მოცემული კოდი
[python]
# Importing the Libraries
from bs4 import BeautifulSoup
# Creating the Soup Object from the HTML page
html_page = """
<!DOCTYPE html>
<html>
<head>
<title>Data Science Course</title>
<style></style>
</head>
<body>
<h1 class="my-heading"> This is a Heading Tag </h1>
<p id="my-paragraph"> This is a paragraph in Data Science Course </p>
<em> This is an emphasis tag in Data Science Course </em>
<b> This is a tag for Bold Text </b>
<i> This is a tag for italic text </i>
<small> This is a tag for small text </small>
<u> This is a tag for underlined text </u>
<a href="https://www.educative.io/"> This is a link to Educative Home Page </a>
<a href="https://www.facebook.com/"> This is a link to Facebook Home Page </a>
<a href="https://twitter.com/"> This is a link to Twitter Home Page </a>
<script></script>
</body>
</html>
"""
soup = BeautifulSoup(html_page)
# Getting the title tag of Html
print("The <title> tag in the corresponding HTML is \n")
print(soup.title)
print("\n")
# Getting the head tag of Html
print("The <head> tag in the corresponding HTML is \n")
print(soup.head)
print("\n")
# Getting the name of the title tag
print("The name of the <title> tag is \n")
print(soup.title.name)
print("\n")
# Getting the name of the head tag
print("The name of the <head> tag is \n")
print(soup.head.name)
print("\n")
# Getting the Text inside the title tag
print("The text inside the <title> tag is \n")
print(soup.title.string)
print("\n")
# Getting the Text inside the head tag
print("The text inside the <head> tag is \n")
print(soup.head.string)
print("\n")
# Displaying all the anchor tags in the HTML
print("Anchor tags present in the HTML are")
print(soup.find_all(‘a’))
print("\n")
# Display the links being used in the anchor tag
for link in soup.find_all(‘a’):
print("Link URL: {}".format(link.get(‘href’)))
print("Anchor Text: {}".format(link.text))
print("\n")
[/python]
About The Author
