提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
前言
接下来将学习用 Beautiful Soup 库来实现数据抓取。将会通过爬取世界大学校园排名和蓝桥云课课程的数据来讲解 Beautiful Soup 库的基础知识。它包括如何用 Beautiful Soup 库的解析器去解析页面内容、如何遍历和搜索标签树、如何提取出关键的数据并保存到列表或者字典里
知识点
- Requests 库
- 遍历文档树
- 搜索文档树
- 标签基本元素
- Beautiful Soup 库解析器
一、Beautiful Soup 简介
Beautiful Soup 库简单来说,就是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。本次实验中,第一个例子是在 软科上去爬取 2021年软科类世界大学排名的数据。爬取的内容如下图所示:
二、获取 HTML 页面
我们要爬取上图中的三列数据,世界排名、学校名字和总分。首先我们用 Chrome 浏览器去访问这个页面。然后使用快捷键 F12 打开开发者工具来观察该页面中我们所要爬取数据的标签结构。
把鼠标移到要定位代码的数据上,右键鼠标 检查 就能定位到相应的代码,如下图所示。从下图可以看到一所大学的信息是存储在表格的一行里的。 我们需要获取每一行的第 1 列、第 2 列 和第 5 列的数据。
使用调试工具观察标签结构后,不难发现,我们想要获取的数据都是存储在表格中的,如下图所示。在本实验中最主要的任务就是要学会如何去遍历 tbody 标签的孩子标签,获取 tr 标签里 td 标签的数据。
确定好目标之后ÿ