美文网首页Pythoner集中营Django爬虫训练营
Python爬虫 --- 1.2 BS4库的安装与使用

Python爬虫 --- 1.2 BS4库的安装与使用

作者: 緣來 | 来源:发表于2018-08-07 07:56 被阅读8次

    Beautiful Soup 库一般被称为bs4库,支持Python3,是我们写爬虫非常好的第三方库。因用起来十分的简便流畅。所以也被人叫做“美味汤”。目前bs4库的最新版本是4.60。下文会介绍该库的最基本的使用,具体详细的细节还是要看:[官方文档](Beautiful Soup Documentation)

    bs4库的安装

    Python的强大之处就在于他作为一个开源的语言,有着许多的开发者为之开发第三方库,这样我们开发者在想要实现某一个功能的时候,只要专心实现特定的功能,其他细节与基础的部分都可以交给库来做。bs4库 就是我们写爬虫强有力的帮手。

    安装的方式非常简单:我们用pip工具在命令行里进行安装

    $ pip install beautifulsoup4
    

    接着我们看一下是否成功安装了bs4库

    $ pip list 
    

    这样我们就成功安装了 bs4 库

    image

    bs4库的简单使用

    这里我们先简单的讲解一下bs4库的使用,

    暂时不去考虑如何从web上抓取网页,

    假设我们需要爬取的html是如下这么一段:

    下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):
    
    <html><head><title>The Dormouse's story</title></head>
    <body>
    <p class="title"><b>The Dormouse's story</b></p>
        
    <p class="story">Once upon a time there were three little sisters; and their names were
    http://example.com/elsie" class="sister" id="link1">Elsie,
    http://example.com/lacie" class="sister" id="link2">Lacie and
    http://example.com/tillie" class="sister" id="link3">Tillie;
    and they lived at the bottom of a well.</p>
        
    <p class="story">...</p>
    </html>
    
    • 下面我们开始用bs4库解析这一段html网页代码。
    #导入bs4模块
    from bs4 import BeautifulSoup
    #做一个美味汤
    soup = BeautifulSoup(html,'html.parser')
    #输出结果
    print(soup.prettify())
        
    '''
    OUT:
        
    # <html>
    #  <head>
    #   <title>
    #    The Dormouse's story
    #   </title>
    #  </head>
    #  <body>
    #   <p class="title">
    #    <b>
    #     The Dormouse's story
    #    </b>
    #   </p>
    #   <p class="story">
    #    Once upon a time there were three little sisters; and their names were
    #    <a class="sister" href="http://example.com/elsie" id="link1">
    #     Elsie
    #    </a>
    #    ,
    #    <a class="sister" href="http://example.com/lacie" id="link2">
    #     Lacie
    #    </a>
    #    and
    #    <a class="sister" href="http://example.com/tillie" id="link2">
    #     Tillie
    #    </a>
    #    ; and they lived at the bottom of a well.
    #   </p>
    #   <p class="story">
    #    ...
    #   </p>
    #  </body>
    # </html>
    '''
    

    可以看到bs4库将网页文件变成了一个soup的类型,

    事实上,bs4库 是解析、遍历、维护、“标签树“的功能库。

    通俗一点说就是: bs4库把html源代码重新进行了格式化,

    从而方便我们对其中的节点、标签、属性等进行操作。

    • 下面是几个简单的浏览结构化数据的方式 :

    请仔细观察最前面的html文件

    # 找到文档的title
    soup.title
    # <title>The Dormouse's story</title>
        
    #title的name值
    soup.title.name
    # u'title'
        
    #title中的字符串String
    soup.title.string
    # u'The Dormouse's story'
        
    #title的父亲节点的name属性
    soup.title.parent.name
    # u'head'
        
    #文档的第一个找到的段落
    soup.p
    # <p class="title"><b>The Dormouse's story</b></p>
        
    #找到的p的class属性值
    soup.p['class']
    # u'title'
        
    #找到a标签
    soup.a
    # http://example.com/elsie" id="link1">Elsie
        
    #找到所有的a标签
    soup.find_all('a')
    # [http://example.com/elsie" id="link1">Elsie,
    #  http://example.com/lacie" id="link2">Lacie,
    #  http://example.com/tillie" id="link3">Tillie]
        
    #找到id值等于3的a标签
    soup.find(id="link3")
    # http://example.com/tillie" id="link3">Tillie
    

    通过上面的例子 我们知道bs4库是这样理解一个html源文件的:

    • 首先 把html源文件转换为soup类型
    • 接着 从中通过特定的方式抓取内容

    更高级点的用法?

    • 从文档中找到所有<a>标签的链接:
    #发现了没有,find_all方法返回的是一个可以迭代的列表
    for link in soup.find_all('a'):
        print(link.get('href'))
        # http://example.com/elsie
        # http://example.com/lacie
        # http://example.com/tillie
    
    • 从文档中获取所有文字内容:
    #我们可以通过get_text 方法 快速得到源文件中的所有text内容。
    print(soup.get_text())
    # The Dormouse's story
    #
    # The Dormouse's story
    #
    # Once upon a time there were three little sisters; and their names were
    # Elsie,
    # Lacie and
    # Tillie;
    # and they lived at the bottom of a well.
    #
    # ...
    

    bs4库的入门使用我们就先进行到这。

    此文章同时同步到我的个人博客http://www.fkomm.cn/ 谢谢支持

    相关文章

      网友评论

        本文标题:Python爬虫 --- 1.2 BS4库的安装与使用

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