python爬虫笔记day1 BS4库的使用

来源：互联网发布：淘宝全球购上传身份证编辑：程序博客网时间：2024/05/17 05:51

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，

假设我们需要爬去的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<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 werehttp://example.com/elsie" class="sister" id="link1">Elsie,http://example.com/lacie" class="sister" id="link2">Lacie andhttp://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titlesoup.title# <title>The Dormouse's story</title>#title的name值soup.title.name# u'title'#title中的字符串Stringsoup.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。

阅读全文

0 0