我正在做关于在互联网上处理新闻文本的研究。所以,我正在编写一个程序,通过新闻网址获取和存储数据库中的新闻。从HTML内容获取社交网络信息
例如,这是一个随机news url(西班牙新闻网站)。所以,我使用BeautifulSoup
来获取HTML内容,经过一些简单的过程后,我获得了新闻标题,摘要,内容,类别以及有关新闻的更多信息。
但是,正如你可以在我的例子中使用的消息看,还存在一些“社交网络”的信息(新闻图像的右侧):
- 的建议数量(脸谱)
- 号鸣叫特(Twitter)
- 号+ 1S(谷歌+)
的,我想也获得这些信息,所以我试图处理从该部分HTML内容,但它不存在!这是我做了什么:
>>> import urllib
>>> from BeautifulSoup import BeautifulSoup as Soup
>>> news = urllib.urlopen('http://elcomercio.pe/mundo/1396187/noticia-horror-eeuu-cinco-ninos-muertos-deja-tiroteo-escuela-religiosa')
>>> soup = Soup(news.read())
>>> sociales = soup.findAll('ul', {'class': 'sociales'})[0].findAll('li')
>>> len(sociales)
3
这是Facebook的部分HTML内容:
>>> sociales[0] # facebook
<li class="top">
<div class="fb-plg">
<div id="fb-root"></div>
<script>(function(d, s, id) {
var js, fjs = d.getElementsByTagName(s)[0];
if (d.getElementById(id)) {return;}
js = d.createElement(s); js.id = id;
js.src = "//connect.facebook.net/en_US/all.js#xfbml=1&appId=224939367568467";
fjs.parentNode.insertBefore(js, fjs);
}(document, 'script', 'facebook-jssdk'));</script>
<div class="fb-like" data-href="http://elcomercio.pe/noticia/1396187/horror-eeuu-cinco-ninos-muertos-deja-tiroteo-escuela-religiosa" data-send="false" data-layout="box_count" data-width="70" data-show-faces="false" data-action="recommend"></div></div></li>
Twitter的一部分:
>>> sociales[1] # twitter
<li><a href="https://twitter.com/share" class="twitter-share-button" data-count="vertical" data-via="elcomercio" data-lang="es">Tweet</a><script type="text/javascript" src="//platform.twitter.com/widgets.js"></script></li>
Google+的部分:
>>> sociales[2] # google+
<li><script type="text/javascript" src="https://apis.google.com/js/plusone.js">
{lang: 'es'}
</script><g:plusone size="tall"></g:plusone></li>
正如你所看到的,我正在寻找的信息因为没有包含在HTML内容中,所以我猜测它是通过一些API链接获得的。
所以我的问题是:无论如何,我可以从某个新闻的HTML内容中获得我正在寻找的信息(Facebook推荐数量,推文数量,+ 1的数量)?
好东西,谢谢发布! – Hoff 2012-04-15 16:07:10