Created
October 6, 2016 04:25
-
-
Save thomaswpp/01e24e7cb51bafe93a153e1b013a6b8e to your computer and use it in GitHub Desktop.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
import requests | |
from bs4 import BeautifulSoup | |
#Aqui vamos capturar o html da página: | |
url = "https://news.netcraft.com" | |
response = requests.get(url) | |
#print(response.text) | |
#Pronto agora que temos o html, precisamos retirar o texto que nós interessa | |
#vi que o começo de toda notícia utiliza uma div com uma class="entry-content" | |
#<div class="entry-content"> | |
#Note que uma class geralmente não é única em documentos e temos que observar bem antes de usa-la em | |
#nossas buscas, mas neste caso seria uma boa opção | |
#instanciando o objeto soup | |
soup = BeautifulSoup(response.text, "lxml") | |
#vamos aqui buscar todas divs, vai retornar uma lista: | |
lista = soup.findAll("div", {"class":"entry-content"}) | |
#aqui podemos acessar o primeiro elemento dessa div, que será a primeira notícia | |
#ps: caso você só queira a primeira notícia de fato, basta usar o find em vez de findAll | |
print(lista[0]) | |
#agora analisando o html podemos ver que temos que acessar os 3 próximos <b>, caso ele exista, | |
#pode haver caso que a div com essa class que usamos não comece com um texto neste caso não terá nenhuma tag <b> | |
#interar na lista | |
for div in lista: | |
lista_b = div.findAll('b') | |
#vamos ter que interar em outra lista, é chato for aninhado, mas é o jeito | |
for b in lista_b: | |
print(b.string) | |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment