这是一篇学习笔记,看了一点嵩天教授的Python网络爬虫与信息提取课程,又看了datawhale给的代码例子,把学习要点列在这里
2.1 Beautiful Soup库入门
- 学习beautifulsoup基础知识。
- 使用beautifulsoup解析HTML页面。
- Beautiful Soup 是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据。
- 它基于HTML DOM 的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。
- BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。
- 虽然说BeautifulSoup4 简单容易比较上手,但是匹配效率还是远远不如正则以及xpath的,一般不推荐使用,推荐正则的使用。
- 第一步:pip install beautifulsoup4 ,万事开头难,先安装 beautifulsoup4,安装成功后就完成了第一步。
- 第二步:导入from bs4 import BeautifulSoup
- 第三步:创建 Beautiful Soup对象 soup = BeautifulSoup(html,'html.parser')
2.1.1 Beautiful Soup库的基本元素
- Beautiful Soup库的理解: Beautiful Soup库是解析、遍历、维护“标签树”的功能库,对应一个HTML/XML文档的全部内容
- 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
标签的名字,
<p>…</p>
的名字是
'p'
,格式:
<tag>.name;
Attributes
标签的属性,字典形式组织,格式:
<tag>.attrs;
NavigableString
标签内非属性字符串,
<>…</>
中字符串,格式:
<tag>.string;
Comment
标签内字符串的注释部分,一种特殊的
Comment
类型
;
2.1.2 基于bs4库的HTML内容遍历方法
HTML基本格式:<>…</>
构成了所属关系,形成了标签的树形结构
- 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,与.contents类似,用于循环遍历儿子节点
- .descendants 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历
- .contents 子节点的列表,将
- 标签树的上行遍
- .parent 节点的父亲标签
- .parents 节点先辈标签的迭代类型,用于循环遍历先辈节点
- 标签树的平行遍历
- .next_sibling 返回按照HTML文本顺序的下一个平行节点标签
- .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
- .next_siblings 迭代类型,返回按照HTML文本顺序的后续所有平行节点标签
- .previous_siblings 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签
2.1.3 基于bs4库的HTML内容的查找方法
- <>.find_all(name, attrs, recursive, string, **kwargs)
- 参数:
- ∙ name : 对标签名称的检索字符串
- ∙ attrs: 对标签属性值的检索字符串,可标注属性检索
- ∙ recursive: 是否对子孙全部检索,默认True
- ∙ string: <>…</>中字符串区域的检索字符串
- 简写:
<tag>
(..) 等价于<tag>
.find_all(..)- soup(..) 等价于 soup.find_all(..)
- 扩展方法:
- <>.find() 搜索且只返回一个结果,同.find_all()参数
- <>.find_parents() 在先辈节点中搜索,返回列表类型,同.find_all()参数
- <>.find_parent() 在先辈节点中返回一个结果,同.find()参数
- <>.find_next_siblings() 在后续平行节点中搜索,返回列表类型,同.find_all()参数
- <>.find_next_sibling() 在后续平行节点中返回一个结果,同.find()参数
- <>.find_previous_siblings() 在前序平行节点中搜索,返回列表类型,同.find_all()参数
- <>.find_previous_sibling() 在前序平行节点中返回一个结果,同.find()参数
2.1.4 实战:中国大学排名定向爬取
- 爬取url:http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html
- 爬取思路:
- 从网络上获取大学排名网页内容
- 提取网页内容中信息到合适的数据结构(二维数组)-排名,学校名称,总分
- 利用数据结构展示并输出结果