使用BeautifulSoup从维基百科获取特定图像
我试图通过使用带有lxml的BeautifulSoup 4作为解析器来从某些Wikipedia页面获取特定图像。 例如，我试图从这个维基百科页面获取专辑封面：http：//en.wikipedia.org/wiki/Animal_House_(UDO_album）
这样做的功能是这样的：
def get_cover_from_wikipedia(url):
r = requests.get(url)
if r.status_code == 200:
soup = BeautifulSoup(r.content, 'lxml')
elements = soup.find_all('a', class_='image')
for element in elements:
print '%snn' % element.prettify()
return False
打印输出如下：
<a class="image" href="/wiki/File:Question_book-new.svg">
<img alt="" data-file-height="204" data-file-width="262" height="39" src="//upload.wikimedia.org/wikipedia/en/thumb/9/99/Question_book-new.svg/50px-Question_book-new.svg.png" srcset="//upload.wikimedia.org/wikipedia/en/thumb/9/99/Question_book-new.svg/75px-Question_book-new.svg.png 1.5x, //upload.wikimedia.org/wikipedia/en/thumb/9/99/Question_book-new.svg/100px-Question_book-new.svg.png 2x" width="50"/>
</a>
<a class="image" href="/wiki/File:UDO_animal_house.jpg">
<img alt="" data-file-height="302" data-file-width="300" height="221" src="//upload.wikimedia.org/wikipedia/en/thumb/4/4e/UDO_animal_house.jpg/220px-UDO_animal_house.jpg" srcset="//upload.wikimedia.org/wikipedia/en/4/4e/UDO_animal_house.jpg 1.5x, //upload.wikimedia.org/wikipedia/en/4/4e/UDO_animal_house.jpg 2x" width="220"/>
</a>
我想要拉出的图像是以<a class...开头的第二个区块中的图像，而不是第一个区块中图像的书籍图像
我想在这里完成的是：
我只想获得用src指定的链接，而不是类中的所有内容。
我希望能够区分书籍图像和我想要拉出的图像。 这本书的图像就在那里，因为如果你检查维基百科页面，它说文章需要引文，并且那里有一本书图像。 显然，它符合我的标签搜索a和阶级image ，但它可能会或可能不会有因有问题的文章。
什么是最好的方式来获得我只感兴趣的图像，这是在文章右侧的图像？
您的搜索不够具体。 书籍图像嵌套在元数据表中：
<table class="metadata plainlinks ambox ambox-content ambox-Refimprove" role="presentation">
而专辑封面嵌入另一个：
<table class="infobox vevent haudio" style="width:22em">
使用它你的优势。
使用CSS选择器支持使得这个微不足道：
covers = soup.select('table.infobox a.image img[src]')
for cover in covers:
print cover['src']
CSS选择器要求带有src属性的<img>标签，只要它们嵌套在<table class="infobox">元素中的<a class="image">元素中。 只有一个这样的形象：
>>> from bs4 import BeautifulSoup
>>> import requests
>>> r = requests.get('http://en.wikipedia.org/wiki/Animal_House_(U.D.O._album)')
>>> soup = BeautifulSoup(r.content)
>>> covers = soup.select('table.infobox a.image img[src]')
>>> for cover in covers:
... print cover['src']
...
//upload.wikimedia.org/wikipedia/en/thumb/4/4e/UDO_animal_house.jpg/220px-UDO_animal_house.jpg
那么你已经得到了你想要的99％，所以这是主要的。 我的第一个想法是稍微收紧你的过滤器。 如果这是一次性案例，并且您不需要此程序在许多地方应用，那么BeautifulSoup.find_all（）中的“文本”参数可以帮助您：
if r.status_code == 200:
soup = BeautifulSoup(r.content, 'lxml')
elements = soup.find_all('a', text='.jpg' class_='image')
for element in
print '%snn' % element.prettify()
return False
由于您的目标图片是该页面上唯一的.jpg文件，因此这应该有所帮助。 你可能已经看过，但是如果你陷入困境，这应该会有所帮助：http://www.crummy.com/software/BeautifulSoup/bs4/doc/#find-all
链接地址: http://www.djcxy.com/p/62847.html上一篇: Getting a particular image from Wikipedia with BeautifulSoup