网络爬虫系列笔记（3）——Beautiful Soup库

来源：互联网发布：骑士团国家知乎编辑：程序博客网时间：2024/06/05 07:27

Unit1:Beautiful Soup

一、安装

https://www.crummy.com/software/BeautifulSoup/

管理员权限打开命令行：pip install beautifulsoup4（注意：使用pip install beautifulsoup 会失败）

安装测试：演示地址(http://python123.io/ws/demo.html)

网页源码：

<html><head><title>This is a python demo page</title></head>

<body>

<p class="title"><b>The demo python introduces several python courses.</b></p>

<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>

</body></html>

import requests
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo, "html.parser") #选择html解析器
#from bs4 import BeautifulSoup
#soup = BeautifulSoup('<p>data<p>', "html.parser")
print(soup.title)
print(soup.a)
print(soup.prettify())
soup.a.name
soup.a.parent.name

二、Beautiful Soup库的理解、解析 (bs4全部转换为 UTF-8 )

Beautiful Soup 是解析、遍历、维护“标签树”的功能库。

from bs4 import BeautifulSoup
import bs4

等价关系：

HTML文档 = 标签树 = BeautifulSoup类

可以将BeautifulSoup类当做对应一个HTML/XML文档的全部。

from bs4 import BeautifulSoup
soup = BeautifulSoup("<html>data</html>", "html.parser")
soup2 = BeautifulSoup(open("D://demo.html"), "html.parser")

BeautifulSoup库的解析器：

解析器使用方法条件bs4的HTML解析器BeautifulSoup(mk, "html.parser")安装bs4库lxml的HTML解析器BeautifulSoup(mk, "lxml")pip install lxmllxml的XML解析器BeautifulSoup(mk, "xml")pip install lxmlhtml5lib的解析器BeautifulSoup(mk, "html5lib")pip install html5lib

BeautifulSoup 类的基本元素

Tag标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾Name标签名：<name>...</name>，格式：<tag>.nameAttributes标签属性，字典的形式，格式：<tag>.attrsNavigableString标签内非属性字符串，<tag>.stringComment标签内字符串的注释部分，一种特殊的Comment类型"<b></b>

IDLE演示：

>>> import requests

>>> r = requests.get("http://python123.io/ws/demo.html")

>>> demo = r.text

>>> from bs4 import BeautifulSoup

>>> soup = BeautifulSoup(demo, "html.parser")

>>> soup.title

<title>This is a python demo page</title>

>>> soup.a

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

>>> soup.a.name

>>> soup.a.parent.name

'p'

>>> soup.a.parent.parent.name

'body'

>>> tag = soup.a

>>> tag.attrs

{'class': ['py1'], 'href': 'http://www.icourse163.org/course/BIT-268001', 'id': 'link1'}

>>> tag.attrs['class']

['py1']

>>> tag.attrs['href']

'http://www.icourse163.org/course/BIT-268001'

>>> type(tag.attrs)

>>> type(tag)

>>> soup.a.string

'Basic Python'

>>> soup.p.string

'The demo python introduces several python courses.'

>>> type(soup.p.string)

三、BeautifulSoup的遍历

1、标签树的下行遍历

.contents子节点的列表，将<tag>所有儿子节点存入列表.children子节点的迭代类型，作用同上，只能用在for...in的结构中。.descendants子孙节点的迭代类型，包含所有子孙节点，只能用在for...in的结构中。

soup = BeautifulSoup(demo, 'html.parser')
soup.body.contents
fon child in soup.body.children:
     print(child)

2、标签树的上行遍历

.parent节点的父亲标签.parents节点先辈标签的迭代类型，只能用在for...in的结构中

soup = BeautifulSoup(demo, 'html.parser')
for parent in soup.a.parents:
     if parent is None: #soup.parent.name == None
          print(parent)
     else:
          print(parent.name)

3、标签树的平行遍历（所有平行遍历都在同一个父亲节点下，存在NevigableString类型）

.next_sibling.previous_sibling (迭代类型,只能用在for...in的结构中).next_siblings.previous_siblings （迭代类型，只能用在for...in的结构中）

for sibling in soup.a.next_siblings:
     print(sibling)
for sibling in soup.a.previous_siblings:
     print(sibling)

四、其他方法

1、bs4 库的prettify()函数：

显示更漂亮(增加换行符)

soup = BeautifulSoup(demo, 'html.parser')
soup.prettify()
soup.a.prettify()

Unit2 : 信息的组织与提取

1、信息的标记

HTML :Hyper text makeup luaguage

信息的关系

信息的标记de 三种形式:

XML: eXtensible Makeup Language

JSON: JavaScript Object Notation (有数据类型的键值对 key : value)

“key"：“value”

"key"：["value1" , "value2"]

"key": { "subkey" : "subvalue"}

“name” : [“北京理工大学”，“北京大学”]

多值用[ , ]组织

可以嵌套使用 { ， }："name"：{

"newname" : "北京理工大学",

"oldName" : "延安自然研究院"

}

可以直接作为程序的一部分

YAML: YAML Ain't Markup Lauguage (无类型的键值对)

key: value

key: #Comment

-value

key:

subkey: subvalue

name ：北京理工大学

缩进方式表达所属关系：

name：

newname：北京理工大学

oldname：延安自然研究院

- 表达并列关系：

name：

-北京理工大学

-延安自然研究院

| 表达整块数据 #表示注释 :

text： | #介绍

****￥%#*****123******#@￥￥@

总结：

XML :Internet 上的信息交互与传递（HTML是一种XML类）

JSON : 移动应用云端和节点的信息通信，无注释（程序对接口处理的地方）

YAML：各类系统的配置文件中，有注释易读，利用率高

2、信息的提取

方法一：完整解析信息的标记形式，再提取关键信息，形式解析

需要标记解析器如：bs4库的标签树遍历

优点：解析准确

缺点：繁琐且慢

方法二：无视标记形式，直接搜索关键信息，搜索方法

搜索：利用查找函数即可

优点：简洁且快

缺点：确度不定，与内容有关

实际中：二者融合

实例一：提取HTML中所有的URL链接

from bs4 import BeautifulSoup
soup = BeautiflulSoup(demo, "html.parser")
for link in soup.find_all('a'):
     print(link.get('href'))

<>.find_all (name, attrs, recursive, string, ##kwargs)

返回一个列表类型，储存查找的结果

简短形式：<tag>(...) 等价于 <tag>.find_all(..)

soup(...) 等价于 soup.find_all(..)

name：

soup.find_all('a')
soup.find_all(['a','b'])
for tag in soup.find_all(True):
     print(tag.name)
import re
for tag in soup.find_all(re.compile('b')): #所有以b开头的标签
    print(tag.name)

attrs：

soup.find_all('p', 'course') #查找页面中所有属性值为字符串'course'的p标签

soup.find_all(id='link1') # 对属性进行查找的时候必须精确的复制这个信息

import re

soup.find_all(id=re.compile('link'))

recursive：是否对子孙全部检索，默认True, Bool值

soup.find_all('a', recursive = False) #只查找当前节点的儿子节点

string：<>...</>对标签中的字符串域进行检索

soup.find_all(string = 'Basic Python')
import re
soup.find_all(string = re.compile('Python'))

find_all的扩展方法：

<>.find(), <>.find_parents(), <>.find_parent(), <>.find_next_sibling(), <>find_next_siblings(), <>.find_previous_sibling(), <>.find_previous_sibllings().

Unit3 : 爬虫实例一

中国大学排名爬取

功能描述：

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

静态、定向

步骤一：从网络上获取大学排名网页内容

getHTMLText()

步骤二：提取网页内容的信息到合适的数据结构中

fillUnivList()

步骤三：利用数据结构展示并输出结果

printUnivList()

程序的结构设计：二维列表

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url, timeout = 20)
        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): #排除其中的string类型
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string,tds[3].string])

def printUnivList(ulist, num):  #需要格式化输出: "{}{}" .format()
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校名称","总分", chr(12288))) #解决中文输出排版的问题
    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 univs

main()

优化：

1、中文对齐问题

format()函数：

'{0}' ' {0[1]}{1[0]} ' '{:<>^8}' '{ : .f}' '{ : b c d o x X}'

因为位置填充采用的是西文字符空格填充，所以中文对齐会不理想。

从而，采用中文字符的空格填充chr(12288)

tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"

print(tplt.format("排名","学校名称","总分", chr(12288)))

阅读全文

0 0