小白学爬虫-----bs4的学习-1
来源:互联网 发布:应聘淘宝客服被骗 编辑:程序博客网 时间:2024/06/15 05:46
7.15
爬虫的学习,大致分成三个步骤:
1、简单的定向爬虫,以request-bs4-re包为基础;
2、大型的框架式爬虫(scrapy)
3、浏览器模拟爬虫(selenium模拟)
今天学习的是request和bs4的包。
首先,我们有一段html源码,利用bs4中的BeautifulSoup进行“格式化”,从而形成一个“类”,
方便我们对其中的属性进行操作。
soup = BeautifulSoup(html,'html.parser')
比如我们要得要其中所有的文本信息,我们可以:
print(soup.get_text())
bs4包之所以能够抓取我们需要的元素,是因为它利用了解析器将html源码解析了一遍。
下面介绍bs4的解析器
官方推荐的是lxml解析器
下面使用lxml解析器来解析网页
soup_1 = BeautifulSoup(html_doc,'lxml') //上面使用的是html.parser解析器
使用方法是BeautifulSoup(html源码,’解析器类型‘)
利用print(soup_1.prettify())可以打印出该html的结构
bs4包将html源码转化成了一个树形结构,每一个节点都是python对象。
搜索文档树最简单的方法是搜索想要获取的Tag的Name,比如soup_1.head
我们会得到<head>元素
<head><title>The Dormouse's story</title></head>
如果要得到更深入的Tag,
print(soup_1.head.title) ##得到head元素中的title元素
想要获取所有的某一类标签
tag = soup_1.find_all('a') #使用了find_all方法,会得到一个数组
#得到第二个a标签元素
tag的.contents属性可以将tag的子节点以列表的方式输出:
将tag元素下一级的html元素以数组的方式显示;
tag的.children生成器,对tag的子节点进行循环输出:
descendants是子孙节点:head的子节点是<title>The Dormouse's story</title>,
title的子节点是The Dormouse's story
节点暂时理解为包含在tag中的子tag
如何找到某个tag下的所有文本内容:
见下期
阅读全文
1 0
- 小白学爬虫-----bs4的学习-1
- Python爬虫(bs4)-1
- requests和bs4的python爬虫入门
- python——爬虫学习——基于bs4库的HTML内容查找方法-(3)
- bs4爬虫:获取百度贴吧的内容
- 从零开始写Python爬虫 --- 1.3 BS4库的解析器
- python爬虫笔记day1 BS4库的使用
- 爬虫笔记2(转)BS4库的解析器
- Python爬虫(bs4)-2
- Python爬虫(bs4)-3
- 爬虫Selenium&bs4 + Miku分享
- Python爬虫之bs4库
- Python -bs4反爬虫解决方法
- 爬虫系列10.BS4简介
- Python学习笔记-1、Python3的urlib.request和bs4.BeautifulSoup使用
- python爬虫由浅入深6--基于bs4库的HTML内容的查找方法
- Python网络爬虫与信息提取-Day7-基于bs4库的HTML内容遍历方法
- Python网络爬虫与信息提取-Day8-基于bs4库的HTML格式输出
- vuex学习笔记
- 朱金付C++第五章
- (三)Redux:创建和使用Reducer
- 嵌入人生
- 刷题记录-luoguP1525 关押罪犯
- 小白学爬虫-----bs4的学习-1
- 【HNOI2016模拟4.4】Alphadog
- JS编程训练 | 题14:正确函数定义
- 单片机显示时钟
- (四)Redux:使用combineReducers函数
- poj 1006 生理周期 中国剩余定理
- 【PAT】【Advanced Level】1011. World Cup Betting (20)
- python -- 处理换行格式(os.popen('top -bn 1'))
- confparse