爬虫入门教程(python网络爬虫技术)

今天来跟大家分享用BeautifulSoup获取信息的一些知识点,文章内容由公众号读者Peter创作。 欢迎各位童鞋向公众号投稿,点击下面图片了解详情! 爬虫,是学习Python的一个有用的分支,互联网时代,信息浩瀚如海,如果能够便捷的获取有用的信息,我们便有可能领先一步,而爬虫正是这样的一个工具。 BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库。由于Beau…

今天来跟大家分享用 BeautifulSoup 获取信息的一些知识点,文章内容由公众号读者 Peter 创作。

欢迎各位童鞋向公众号投稿,点击下面图片了解详情!

爬虫,是学习Python的一个有用的分支,互联网时代,信息浩瀚如海,如果能够便捷的获取有用的信息,我们便有可能领先一步,而爬虫正是这样的一个工具。


Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。由于 BeautifulSoup 是基于 Python,所以相对来说速度会比另一个 Xpath 会慢点,但是其功能也是非常的强大,本文会介绍该库的基本使用方法,帮助读者快速入门。

网上有很多的学习资料,但是超详细学习内容还是非官网莫属,资料传送门:

英文官网:
https://www.crummy.com/software/BeautifulSoup/bs4/doc/

中文官网:
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

本文的主要内容如下:

爬虫入门教程(python网络爬虫技术)

安装和使用

安装

安装过程非常简单,直接使用pip即可:

pip install beautifulsoup4

上面安装库最后的4是不能省略的,因为还有另一个库叫作 beautifulsoup,但是这个库已经停止开发了。

因为BS4在解析数据的时候是需要依赖一定的解析器,所以还需要安装解析器,我们安装强大的lxml:

pip install lxml

在python交互式环境中导入库,没有报错的话,表示安装成功。

爬虫入门教程(python网络爬虫技术)

使用

使用过程直接导入库:

from bs4 import BeautifulSoup

解析原理

解析原理

  • 实例化一个BeautifulSoup对象,并且将本地或者页面源码数据加载到该对象中
  • 通过调用该对象中相关的属性或者方法进行标签定位和数据提取

如何实例化BeautifulSoup对象

  1. 将本地的HTML文档中的数据加载到BS对象中
  2. 将网页上获取的页面源码数据加载到BS对象中

案例解析

原数据

假设我们现在本地有一个HTML文件待解析,具体内容如下,数据中有各种HTML标签:html、head、body、div、p、a、ul、li等

爬虫入门教程(python网络爬虫技术)

加载数据

from bs4 import BeautifulSoup

fp = open(\'./test.html\',\'r\',encoding=\'utf-8\')  # 打开本地文件
soup = BeautifulSoup(fp,\'lxml\')
soup

爬虫入门教程(python网络爬虫技术)

所有的数据解析都是基于soup对象的,下面开始介绍各种解析数据方法:

soup.tagName

soup.TagName返回的是该标签第一次出现的内容,以a标签为例:

爬虫入门教程(python网络爬虫技术)

数据中多次出现a标签,但是只会返回第一次出现的内容

爬虫入门教程(python网络爬虫技术)

我们再看下div标签:

爬虫入门教程(python网络爬虫技术)

出现了2次,但是只会返回第一次的内容:

爬虫入门教程(python网络爬虫技术)

soup.find(‘tagName’)

find()主要是有两个方法:

  • 返回某个标签第一次出现的内容,等同于上面的soup.tagName
  • 属性定位:用于查找某个有特定性质的标签

1、返回标签第一次出现的内容:

比如返回a标签第一次出现的内容:

爬虫入门教程(python网络爬虫技术)

再比如返回div标签第一次出现的内容:

爬虫入门教程(python网络爬虫技术)

2、属性定位

比如我们想查找a标签中id为“谷歌”的数据信息:

爬虫入门教程(python网络爬虫技术)

在BS4中规定,如果遇到要查询class情况,需要使用class_来代替:

爬虫入门教程(python网络爬虫技术)

但是如果我们使用attrs参数,则是不需要使用下划线的:

爬虫入门教程(python网络爬虫技术)

soup.find_all()

该方法返回的是指定标签下面的所有内容,而且是列表的形式;传入的方式是多种多样的。

1、传入单个指定的标签

爬虫入门教程(python网络爬虫技术)

image-20210523170401516

上面返回的是列表形式,我们可以获取我们想要的内容:

爬虫入门教程(python网络爬虫技术)

2、传入多个标签(列表形式)

需要主要返回内容的表达形式,每个标签的内容是单独显示的

爬虫入门教程(python网络爬虫技术)

3、传入正则表达式

比如查看以a开头标签的全部内容

爬虫入门教程(python网络爬虫技术)

查看以li标签开头的全部内容:

爬虫入门教程(python网络爬虫技术)

选择器soup.select()

主要是有3种选择器,返回的内容都是列表形式

  • 类选择器:点
  • id选择器:#
  • 标签选择器:直接指定标签名

1、类选择器

爬虫入门教程(python网络爬虫技术)

2、id选择器

爬虫入门教程(python网络爬虫技术)爬虫入门教程(python网络爬虫技术)

3、标签选择器

直接指定li标签

爬虫入门教程(python网络爬虫技术)

4、选择器和find_all()可以达到相同的效果:

爬虫入门教程(python网络爬虫技术)

soup.tagName和soup.find(‘tagName’)的效果也是相同的:

爬虫入门教程(python网络爬虫技术)

层级选择器使用

在soup.select()方法中是可以使用层级选择器的,选择器可以是类、id、标签等,使用规则:

  • 单层:>
  • 多层:空格

1、单层使用

爬虫入门教程(python网络爬虫技术)

2、多层使用

爬虫入门教程(python网络爬虫技术)

获取标签文本内容

获取某个标签中对应文本内容主要是两个属性+一个方法:

  • text
  • string
  • get_text()

1、text

爬虫入门教程(python网络爬虫技术)

2、string

爬虫入门教程(python网络爬虫技术)

3、get_text()

爬虫入门教程(python网络爬虫技术)

3者之间的区别

# text和get_text():获取标签下面的全部文本内容
# string:只能获取到标签下的直系文本内容

爬虫入门教程(python网络爬虫技术)

获取标签属性值

1、通过选择器来获取

爬虫入门教程(python网络爬虫技术)

2、通过find_all方法来获取

爬虫入门教程(python网络爬虫技术)

BeautifulSoup实战

下面介绍的是通过BeautifulSoup解析方法来获取某个小说网站上古龙小说名称和对应的URL地址。

网站数据

我们需要爬取的数据全部在这个网址下:
https://www.kanunu8.com/zj/10867.html,右键“检查”,查看对应的源码,可以看到对应小说名和URL地址在源码中位置

每行3篇小说在一个tr标签下面,对应的属性href和文本内容就是我们想提取的内容。

爬虫入门教程(python网络爬虫技术)

获取网页源码

import requests
from bs4 import BeautifulSoup
import pandas as pd
import re

url = \'https://www.kanunu8.com/zj/10867.html\'
headers = {\'user-agent\': \'个人请求头\'}

response = requests.get(url = url,headers = headers)
result = response.content.decode(\'gbk\')   # 该网页需要通过gbk编码来解析数据
# result

实例化BeautifulSoup对象

soup1 = BeautifulSoup(result,\'lxml\')
# print(soup1.prettify())  美化输出源码内容

获取名称和URL地址

1、先获取整体内容

两个信息全部指定a标签中,我们只需要获取到a标签,通过两个属性href和target即可锁定:

# 两个属性href和target,不同的方法来锁定

information_list = soup1.find_all(\'a\',href=re.compile(\'^/book\'),target=\'_blank\')
information_list

爬虫入门教程(python网络爬虫技术)

2、再单独获取两个信息

通过属性来获取URL地址,通过文本来获取名称

url_list = []
name_list = []

for i in information_list:
    url_list.append(i[\'href\'])  # 获取属性
    name_list.append(i.text)  # 获取文本

爬虫入门教程(python网络爬虫技术)爬虫入门教程(python网络爬虫技术)

3、生成数据帧

gulong = pd.DataFrame({
    \"name\":name_list,
    \"url\":url_list}
)

gulong

爬虫入门教程(python网络爬虫技术)

我们发现每部小说的具体地址其实是有一个公共前缀的:
https://www.kanunu8.com/book,现在给加上:

gulong[\'url\'] = \'https://www.kanunu8.com/book\' + gulong[\'url\']   # 加上公共前缀
gulong.head()

爬虫入门教程(python网络爬虫技术)

另外,我们想把书名的《》给去掉,使用replace替代函数:

gulong[\"name\"] = gulong[\"name\"].apply(lambda x:x.replace(\"《\",\"\"))  # 左边
gulong[\"name\"] = gulong[\"name\"].apply(lambda x:x.replace(\"》\",\"\")) # 右边

# 保存
gulong.to_csv(\"gulong.csv\",index=False)  # 保存到本地的csv文件

最后显示的前5行数据:

爬虫入门教程(python网络爬虫技术)

总结

本文从BeautifulSoup4库的安装、原理以及案例解析,到最后结合一个实际的爬虫实现介绍了一个数据解析库的使用,文中介绍的内容只是该库的部分内容,方便使用者快速入门,希望对读者有所帮助。

本文来自投稿,不代表来拓客立场,如若转载,请注明出处:https://www.laituoke.com/ltk/10782.html