来源:Python数据之道
作者:Peter
整理:阳哥
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。
「Python数据之道」 之前已经分享过一些关于介绍 爬虫 的内容,大家也可以前往阅读:
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:
![](https://i-blog.csdnimg.cn/blog_migrate/6ec6ca061ca517f6b2425e0852d1a3c4.jpeg)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/03cb7e704d8d48e6ea204a16fa184607.jpeg)
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
将本地的HTML文档中的数据加载到BS对象中
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
![](https://i-blog.csdnimg.cn/blog_migrate/19ca19356a430bcb4fffd9e1d33f3996.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/03023444dd27e331dfea1c4487ddefa8.jpeg)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/1787dd68345d03d008eb7e6b6e60c064.jpeg)
数据中多次出现a标签,但是只会返回第一次出现的内容
![](https://i-blog.csdnimg.cn/blog_migrate/e018e99e402dced1728e3ca8d2334dce.jpeg)
我们再看下div标签:
![](https://i-blog.csdnimg.cn/blog_migrate/3fcf8325a90565610e2af0d6cb5cf639.jpeg)
出现了2次,但是只会返回第一次的内容:
![](https://i-blog.csdnimg.cn/blog_migrate/f9dc69aaf7f2881106737cca4293e2de.jpeg)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/53b7bd700c01a37e98e856d56ce976a7.jpeg)
再比如返回div标签第一次出现的内容:
![](https://i-blog.csdnimg.cn/blog_migrate/a88d4f08d8fefdedb52105ca5c6d20cd.jpeg)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/671e0d067d53253d8620794848116d66.jpeg)
在BS4中规定,如果遇到要查询class情况,需要使用class_来代替:
![](https://i-blog.csdnimg.cn/blog_migrate/505f6d14bb4347417e365378dda9018a.jpeg)
但是如果我们使用attrs参数,则是不需要使用下划线的:
![](https://i-blog.csdnimg.cn/blog_migrate/66eb22c7b6b8b6932926669f4878a223.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/e4a32b6421993175af912f15748720a2.jpeg)
上面返回的是列表形式,我们可以获取我们想要的内容:
![](https://i-blog.csdnimg.cn/blog_migrate/ca5e5009aa2d757082eca646d09c082a.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/f8ce853987924b606d202b178d77e3e8.jpeg)
3、传入正则表达式
比如查看以a开头标签的全部内容
![](https://i-blog.csdnimg.cn/blog_migrate/7fb1f6bebf31f3f2be5b72a35f2e49fb.jpeg)
查看以li标签开头的全部内容:
![](https://i-blog.csdnimg.cn/blog_migrate/9e3cb2091d762396a26e889986f2dbc6.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/80747a5a7c9637595a1c3e92c038c60b.jpeg)
2、id选择器
![](https://i-blog.csdnimg.cn/blog_migrate/60fc19fd56d581e0f25e7af411321a67.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/a1f667520a9506633d2b915860aa11df.jpeg)
3、标签选择器
直接指定li标签
![](https://i-blog.csdnimg.cn/blog_migrate/92a6b7b0391828bc5e25d7cdc903370c.jpeg)
4、选择器和find_all()可以达到相同的效果:
![](https://i-blog.csdnimg.cn/blog_migrate/72ed4de14801bad88d81de1723d365e7.jpeg)
soup.tagName和soup.find('tagName')的效果也是相同的:
![](https://i-blog.csdnimg.cn/blog_migrate/fb286ced04b8d52fee7ffcbed51556f1.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/3aef8998fc502c1dee56a35744453143.jpeg)
2、多层使用
![](https://i-blog.csdnimg.cn/blog_migrate/b98247dcf52d2d42281983f9929fe0bd.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/99a71f99e33b7f2dd5179a4d4da7cb74.jpeg)
2、string
![](https://i-blog.csdnimg.cn/blog_migrate/4c3ce76c09cda7e80798680e6840cbc2.jpeg)
3、get_text()
![](https://i-blog.csdnimg.cn/blog_migrate/f01b846ddca73e29bd0084d5040f481e.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/db306dc2d3e709d6a84e4123b73c76cf.jpeg)
获取标签属性值
1、通过选择器来获取
![](https://i-blog.csdnimg.cn/blog_migrate/438df2d39f9f0ce2eace002735009f3b.jpeg)
2、通过find_all方法来获取
![](https://i-blog.csdnimg.cn/blog_migrate/a8fcb85528d004fb41d71662a884d79e.jpeg)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/9619c1d580e0b23916c9b955f7a1424a.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/f646f890b2b829ec27e50551d3564bf4.jpeg)
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
![](https://i-blog.csdnimg.cn/blog_migrate/465f0225f1f5507cd0487b20c0adeb73.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/befbbdb6c47ef88542c9ef192e2f560e.jpeg)
3、生成数据帧
gulong = pd.DataFrame({
"name":name_list,
"url":url_list}
)
gulong
![](https://i-blog.csdnimg.cn/blog_migrate/9e668214b468960d4d5f3d0c1a056163.jpeg)
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()
![](https://i-blog.csdnimg.cn/blog_migrate/29e3f5e7765ffb811044d71ce981ac45.jpeg)
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:
![](https://i-blog.csdnimg.cn/blog_migrate/ca285465fa1202bf02147ec9804a8906.jpeg)
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。
作者简介
Peter,硕士毕业僧一枚,从电子专业自学Python入门数据行业,擅长数据分析及可视化。喜欢数据,坚持跑步,热爱阅读,乐观生活。个人格言:不浮于世,不负于己
个人站点:www.renpeter.cn
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑温州大学《机器学习课程》视频
本站qq群851320808,加入微信群请扫码: