Mooc爬虫03-BeautifulSoup

来源：互联网发布：java研发工程师招聘编辑：程序博客网时间：2024/06/05 04:44

1 基本信息

　　Beautiful Soup是用于处理解析页面信息的

　　具体的说, Beautiful Soup库是解析, 遍历, 维护"标签树"的功能库

　　安装方法

pip install beautifulsoup4

　　最基本的使用

import requestsfrom bs4 import BeautifulSoupr = requests.get("http://www.baidu.com")soup = BeautifulSoup(r.content, 'html.parser')print(soup.prettify())

2 基本元素

　　Beautiful Soup处理的内容文档一般是HTML页面

　　　　HTML页面是标签对形成的

　　　　这些标签对最终会形成标签树, 这些标签树实际上是Beautiful Soup类

　　　　也就是 HTML文档<---->标签树<---->Beautiful Soup类

　　Beautiful Soup的解析器

　　　　最主要的还是是用 html.parser解析器

　　Beautiful Soup类的基本元素

　　　　使用方法如下:

　　　　1) Tag标签

　　　　　　使用方法

BS对象.标签名字

soup.asoup.title

　　　　　　其中如果该标签在页面存在多个, 那么只返回第一个

　　　　2) name

　　　　　　使用方法

BS对象.标签名字.name

　　　　3) attrs

　　　　　　使用方法

　　　　　　其中attrs获得的是一个字典类型的值

　　　　　　通过属性名字得到的就是列表类型

BS对象.标签名字.attrsBS对象.标签名字.attrs['某个属性的名字']

soup.a.sttrssoup.a.attrs['class']

　　　　4) NavigableString

　　　　　　表示的是标签内非属性的字符串, 使用如下

　　　　　　其中string如果该标签内存在别的标签嵌套, 获得的就是嵌套内部的string

　　　　　　因此, NavigableString可以跨越多个层次

BS对象.标签名字.string

　　　　5) Comment

　　　　　　标签内注释部分

　　　　　　获取方法和NavigableString相同, 都是通过string来获得

3 标签树的遍历

　　遍历分为下行遍历, 上行遍历, 平行遍历

　　上行遍历的主要有: contents, children, descendants

　　　　其中contens获得的是标签的所有内容

　　　　children或的是contents的具体的列表, 其中'\n'会被当做一个元素

　　　　descendants和children都是生成器, descendants会逐步往下遍历打印出所有子孙节点

　　上行遍历主要有: parent, parents

　　　　parent获得的是父亲节点, 获得的父亲节点包括该节点内的所有内容, 是一个很丰富的节点

　　　　parents是一个生成器, 倒数第二个是<html>标签. 最后一个是整个文档

　　平行遍历主要有: next_sibling, previous_sibling, next_siblings, previous_siblings

　　　　注意: 平行是指的在一个父节点下的子节点间的

　　　　　　其中next_sibling和previous_sibling是返回下一个或者上一个平行节点标签

　　　　　　next_siblings和previous_siblings是返回生成器类型

4 信息和组织方法

　　主要主流的有三种, XML, JSON, YAML

　　XML的主要形式

<person><firstName>Tian</firstName><lastName>Song</lastName><address><streetAddr>中关村南大街5号</streetAddr><city>北京市</city><zipcode>100081</zipcode></address><prof>Computer System</prof><prof>Security</prof></person>

　　JSON的主要形式

{“firstName” : “Tian” ,“lastName” : “Song” ,“address” : {“streetAddr” : “中关村南大街5号” ,“city” : “北京市” ,“zipcode” : “100081”} ,“prof” : [ “Computer System” , “Security” ]}

　　YANL的主要形式

firstName : TianlastName : Songaddress :    streetAddr : 中关村南大街5号    city : 北京市    zipcode : 100081prof :‐Computer System‐Security

　　三种类型的对比

　　　　XML: 可扩展性好, 但是繁琐, 主要用于网络传递信息

　　　　JSON: 信息有类型, 适合程序处理, 没有注释, 主要用于移动应用云端和节点的通信

　　　　YAML: 无类型, 信息比例高, 可读性好, 各类系统的配置文件

5 基于bs4的HTML的查找

　　最基本find_all()方法的解析

　　　　BS对象.fand_all(name, attrs, recursive, string, **kwargs)

　　name: 是对标签名称的检索, 返回一个list类型,

　　　　如果需要对多个标签查询, 可以组成一个list传给name

　　　　name=True 表示显示当前BS对象的所有标签信息

　　　　还可以用正则表达式来匹配名字

　　attrs: 对标签属性值的检索

　　　　可以直接传入参数

　　　　也可是使用键值对的方式

　　recursive: 是否符子孙全部检索, 默认为True

　　　　如果赋值为False的话, 就是从当前对象的子节点进行查找

　　string: 对字符串信息检索

　　由于find_all()方法是十分常用, 所以有一个简写形式

　　　　标签.fand_all()　简写为: 标签()

　　　　soup.find_all()　简写为: soup()

　　扩展方法

6 基于BS库的爬虫实例

　　实例一: 爬取大学排名

　　　　爬取地址: http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

　　　　实现对大学排名的信息的爬取

　　　　查看该HTML页面发现, 多有的排名信息都是<tbody>下的子节点

　　　　该子节点下的每一个<tr>就是一个排名信息

　　　　由于在find_all()的过程中可能出现查找的不是一个标签, 所以需要一个判断是否为标签的判断

　　具体实例如下

import requestsfrom bs4 import BeautifulSoupimport bs4def getHTMLText(url):    try:        r = requests.get(url, timeout=30)        r.raise_for_status()        r.encoding = r.apparent_encoding        return r.text    except:        return ""def fillUnivList(ulist, html):    soup = BeautifulSoup(html, "html.parser")    for tr in soup.find('tbody').children:        if isinstance(tr, bs4.element.Tag):            tds = tr('td')            ulist.append([tds[0].string, tds[1].string, tds[2].string])def printUnivList(ulist, num):    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"    print(tplt.format("排名","学校名称","总分",chr(12288)))    for i in range(num):        u=ulist[i]        print(tplt.format(u[0],u[1],u[2],chr(12288)))    def main():    uinfo = []    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'    html = getHTMLText(url)    fillUnivList(uinfo, html)    printUnivList(uinfo, 20) # 20 univsmain()

　　实例二: 爬取PAT乙类的试题列表

　　具体代码如下

#!/usr/bin/env python3# -*- coding: utf-8 -*-__author__ = 'weihuchao'import requestsfrom bs4 import BeautifulSoupimport bs4def getPAT(url):    try:        r = requests.get(url, timeout=30)        r.raise_for_status()        r.encoding = r.apparent_encoding        return r.text    except:        print("获取PAT失败")def getUrlList(ulist, content):    soup = BeautifulSoup(content, "html.parser")    for tr in soup.find("table").children:        if isinstance(tr, bs4.element.Tag):            if tr.name == "tr":                tds = tr('td')                href = "https://www.patest.cn"                name = ""                seq = tds[0].string                try:                    href += tds[1].contents[0].attrs['href']                    name += tds[1].string                except:                    pass                ulist.append([seq, name, href])def printUrlList(ulist):    tplt = "{0:^2}\t{1:{3}^30}\t{2:^50}"    print(tplt.format("编号","试题名称","地址",chr(12288)))    for i in ulist:        print(tplt.format(i[0], i[1], i[2], chr(12288)))def main():    ulist = []    url = "https://www.patest.cn/contests/pat-b-practise"    content = getPAT(url)    getUrlList(ulist, content)    printUrlList(ulist)if __name__ == "__main__":    main()

0 0