|
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
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:///elsie' class='sister' id='link1'>Elsie,
http:///lacie' class='sister' id='link2'>Lacie and
http:///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:///elsie' rel='external nofollow' id='link1'> # Elsie # </a> # , # <a class='sister' href='http:///lacie' rel='external nofollow' id='link2'> # Lacie # </a> # and # <a class='sister' href='http:///tillie' rel='external nofollow' 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:///elsie' id='link1'>Elsie
#找到所有的a标签
soup.find_all('a')
# [http:///elsie' id='link1'>Elsie,
# http:///lacie' id='link2'>Lacie,
# http:///tillie' id='link3'>Tillie]
#找到id值等于3的a标签
soup.find(id='link3')
# http:///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:///elsie
# http:///lacie
# http:///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。 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。 |
|
|
