Як я можу отримати заголовок сторінки веб-сторінки за допомогою Python?

Як я можу отримати заголовок сторінки веб-сторінки (тег html заголовка) за допомогою Python?

Я завжди буду використовувати lxml для таких завдань. Ви також можете використовувати гарний суп.

import lxml.html
t = lxml.html.parse(url)
print t.find(".//title").text

РЕДАКТУВАТИ за коментарем

from urllib2 import urlopen
from lxml.html import parse

url = "https://www.google.com"
page = urlopen(url)
p = parse(page)
print p.find(".//title").text

Ось спрощена версія відповіді @Vinko Vrsalovic :

import urllib2
from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup(urllib2.urlopen("https://www.google.com"))
print soup.title.string

ПРИМІТКА:

• soup.title знаходить перший елемент заголовка в будь-якому місці документа HTML

• title.string припускає, що він має лише один дочірній вузол, і цей дочірній вузол є рядком

Для beautifulsoup 4.x використовуйте інший імпорт:

from bs4 import BeautifulSoup

Не потрібно імпортувати інші бібліотеки. Запит має вбудовану функціональність.

>> hearders = {'headers':'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:51.0) Gecko/20100101 Firefox/51.0'}
>>> n = requests.get('http://www.imdb.com/title/tt0108778/', headers=hearders)
>>> al = n.text
>>> al[al.find('<title>') + 7 : al.find('</title>')]
u'Friends (TV Series 1994\u20132004) - IMDb' 

Об’єкт механізованого браузера має метод title (). Тож код із цього допису можна переписати як:

from mechanize import Browser
br = Browser()
br.open("http://www.google.com/")
print br.title()

Це, мабуть, надмірно для такого простого завдання, але якщо ви плануєте зробити більше, ніж це, то розумніше починати з цих інструментів (механізувати, BeautifulSoup), оскільки вони набагато простіші у використанні, ніж альтернативи (urllib для отримання вмісту та регулярного виразу або якийсь інший парсер для синтаксичного аналізу html)

Посилання: BeautifulSoup механізувати

#!/usr/bin/env python
#coding:utf-8

from BeautifulSoup import BeautifulSoup
from mechanize import Browser

#This retrieves the webpage content
br = Browser()
res = br.open("https://www.google.com/")
data = res.get_data() 

#This parses the content
soup = BeautifulSoup(data)
title = soup.find('title')

#This outputs the content :)
print title.renderContents()

Використовуйте суп.select_one для націлювання на тег заголовка

import requests
from bs4 import BeautifulSoup as bs

r = requests.get('url')
soup = bs(r.content, 'lxml')
print(soup.select_one('title').text)

Використання HTMLParser :

from urllib.request import urlopen
from html.parser import HTMLParser


class TitleParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.match = False
        self.title = ''

    def handle_starttag(self, tag, attributes):
        self.match = tag == 'title'

    def handle_data(self, data):
        if self.match:
            self.title = data
            self.match = False

url = "http://example.com/"
html_string = str(urlopen(url).read())

parser = TitleParser()
parser.feed(html_string)
print(parser.title)  # prints: Example Domain

Використання регулярних виразів

import re
match = re.search('<title>(.*?)</title>', raw_html)
title = match.group(1) if match else 'No title'

soup.title.stringфактично повертає рядок Unicode. Щоб перетворити це в звичайний рядок, потрібно це зробити string=string.encode('ascii','ignore')

Ось відмовостійка HTMLParserреалізація.
Ви можете кинути майже все що завгодно, get_title()не зламавшись, якщо щось несподіване трапиться get_title(), повернеться None.
При Parser()завантаженні сторінки він кодує його , ASCII незалежно від кодування , що використовується на сторінці , ігноруючи будь-які помилки. Було б тривіально змінити, to_ascii()щоб перетворити дані в UTF-8або будь-яке інше кодування. Просто додайте аргумент кодування та перейменуйте функцію на щось подібне to_encoding().
За замовчуванням HTMLParser()зламається на зламаному html, навіть на таких тривіальних речах, як невідповідні теги. Щоб запобігти цій поведінці, я замінив HTMLParser()метод помилок на функцію, яка ігноруватиме помилки.

#-*-coding:utf8;-*-
#qpy:3
#qpy:console

''' 
Extract the title from a web page using
the standard lib.
'''

from html.parser import HTMLParser
from urllib.request import urlopen
import urllib

def error_callback(*_, **__):
    pass

def is_string(data):
    return isinstance(data, str)

def is_bytes(data):
    return isinstance(data, bytes)

def to_ascii(data):
    if is_string(data):
        data = data.encode('ascii', errors='ignore')
    elif is_bytes(data):
        data = data.decode('ascii', errors='ignore')
    else:
        data = str(data).encode('ascii', errors='ignore')
    return data


class Parser(HTMLParser):
    def __init__(self, url):
        self.title = None
        self.rec = False
        HTMLParser.__init__(self)
        try:
            self.feed(to_ascii(urlopen(url).read()))
        except urllib.error.HTTPError:
            return
        except urllib.error.URLError:
            return
        except ValueError:
            return

        self.rec = False
        self.error = error_callback

    def handle_starttag(self, tag, attrs):
        if tag == 'title':
            self.rec = True

    def handle_data(self, data):
        if self.rec:
            self.title = data

    def handle_endtag(self, tag):
        if tag == 'title':
            self.rec = False


def get_title(url):
    return Parser(url).title

print(get_title('http://www.google.com'))

Використання lxml ...

Отримання його з метатегу на сторінці відповідно до протоколу Facebook Opengraph:

import lxml.html.parse
html_doc = lxml.html.parse(some_url)

t = html_doc.xpath('//meta[@property="og:title"]/@content')[0]

або використовуючи .xpath з lxml:

t = html_doc.xpath(".//title")[0].text