美文网首页Python语言与信息数据获取和机器学习
Python学习笔记1:BeautifulSoup在网页爬虫上的

Python学习笔记1:BeautifulSoup在网页爬虫上的

作者: 小暖冰2333 | 来源:发表于2017-05-16 03:00 被阅读0次

    本篇文章是对Python爬虫入门学习视频:<a href="https://m.ke.qq.com/courseDetail.html?_bid=167&_wv=5121&course_id=161451&school=55&from=Homepage">Python网络爬虫实战</a>第5,6,7节内容的归纳。

    在这里,你会看到如何使用BeautifulSoup——select语句提取标签内文本,以及取得有特定css属性的元素,学会这些,你就可以开始爬取简单的静态网页了

    事先声明,本段BeautifulSoup用法介绍基于此代码

    html_sample = '\
    <html>\
      <body>\
        <h1 id = "title"> Hello World </h1>\
        <a href = "#" class = "link"> This is link1 </a>\
        <a href = "# link2" class="link"> This is link2 </a>\
      </body>\
    </html>'
    

    而我,将从Python爬虫学习事前所需准备,BeautifulSoup代码基础用法和运行结果2个部分,进行本次介绍。

    1.事前准备:初学BeautifulSoup,你需要些什么?

    假定你是一位,懂一点基础的代码语言逻辑,但是对爬虫学习还一无所知的Python小白用户。

    那么,在刚开始学习Python爬虫的时候,你需要准备以下事情
    1.准备一个编辑器:比如Jupyter notebook
    2.准备一个Python软件:本文用的是Anaconda,里面的python是3.6版本(P.S.:Windows用户的话,使用Anaconda最好,因为它会自带很多库)
    3.准备一个BeautifulSoup4库:如果你使用的是Anaconda,那么系统会自带这个库,你也无需为这个烦心。当然,如果你使用的是原生python,请使用pip install beautifulsoup4 语句进行安装
    4.了解一些基础的网页结构知识
    当然,如果你和我一样,是一位之前对网页结构一点也不懂的人,那么你可以通过右边视频进行补充,只要看第一节内容就够了<a href="http://study.163.com/course/courseLearn.htm?courseId=1002810012#/learn/video?lessonId=1003187157&courseId=1002810012">Python学习之认识网页的构成</a>

    以上这些,都是你在Python爬虫学习中一定会用到的,最基础的学习设施。

    如果已经确认你电脑中有了那些东西,那么请往下看~

    2.开始学习:BeautifulSoup代码基础用法和运行结果

    恭喜,你开始了自己学习Python爬虫的第一步。

    在这里,你会知道以下3件事情,1.BeautifulSoup能用来干嘛,2.如何选择特定标签里的内容?3.如何取得具有css属性的元素?

    先介绍第一个,BeautifulSoup能干嘛。BeautifulSoup 是用Python写的一个HTML/XML的解析器,你可以用其来提取网页中的文本内容,来感受下它的具体操作方法。

    首先你要导入bs库,代码如下

    from bs4 import BeautifulSoup
    #从bs4中导入BeautifulSoup
    

    接着,创建一个beautifulsoup 对象

    soup = BeautifulSoup(html_sample,'html.parser')
    

    在这时候,打印输出文本内容

    print(soup.text)
    

    结果是这样的


    打印内容1

    这就输出了代码里的全部文本

    当然如果你觉得,这样做太笼统,你想选择特定的标签内容
    做法也很简单,用select语句即可,完整的代码示例如下

    from bs4 import BeautifulSoup
    
    html_sample = '\
    <html>\
      <body>\
        <h1 id = "title"> Hello World </h1>\
        <a href = "#" class = "link"> This is link1 </a>\
        <a href = "# link2" class="link"> This is link2 </a>\
      </body>\
    </html>'
    
    soup = BeautifulSoup(html_sample,"html.parser")
    header = soup.select("h1") #用select语句选择h1标签内容
    

    接着,输出header
    print(header)
    此时的结果是一串完整的h1标签列表
    [<h1 id="title"> Hello World </h1>]

    如果想把列表里的内容取出,那么输入列表下标
    print(header[0])
    此时的结果显示如下
    <h1 id="title"> Hello World </h1>

    如果只想获取标签里的文本内容,那么使用text属性即可~
    print(header[0].text)
    结果如下Hello World

    a标签的大概用法和h1标签相同

    区别在于,a标签是有2条标签语句,需要使用for循环打印出来。

    soup = BeautifulSoup(html_sample,'html.parser')
    alink = soup.select('a')
    print(alink)
    for link in alink:
        print(link)
    
    打印内容2

    在这里,如果想获取文本内容,直接在a标签后加入text属性

    打印内容3

    3.如何取得具有CSS属性的元素
    在以上代码里,具有css属性的标签如下

        <h1 id = "title"> Hello World </h1>\
        <a href = "#" class = "link"> This is link1 </a>\
        <a href = "# link2" class="link"> This is link2 </a>\
    

    而在这些标签中,我们可以利用id值和class值取获取标签内容

    用法和查找a标签,以及h1标签类似,只是需要在属性值前加入特殊符号

    示例
    1.查找所有id为title的元素(id前加#号)

    soup = BeautifulSoup(html_sample,'html.parser')
    alink = soup.select('#title')
    print(alink)
    

    输出结果和h1标签查找结果相同

    2.查找所有class为link的元素(class前加.)

    soup = BeautifulSoup(html_sample,'html.parser')
    alink = soup.select('.link')
    for link in alink:
        print(link)
    

    输出结果和查找a标签结果相同~

    最后,BeautifulSoup的基础用法暂时讲到这
    学会以上基础内容,你就具备了最基础的网页爬取能力了
    建议找新闻网站,或者普通论坛试试手

    相关文章

      网友评论

        本文标题:Python学习笔记1:BeautifulSoup在网页爬虫上的

        本文链接:https://www.haomeiwen.com/subject/ealkxxtx.html