爬虫之Beautiful Soup库入门

学习地址：https://www.icourse163.org/learn/BIT-1001870001?tid=1003245012#/

Beatiful Soup库官网：https://www.crummy.com/software/BeatifulSoup

 

• Beatiful Soup库的基本元素

Beatiful Soup库的理解

Beatiful Soup库是解析、遍历、维护“标签树”的功能库。

Beatiful Soup库的引用

from bs4 import BeatifulSoup

Beatiful Soup类

BeatifulSoup对应一个HTML/XML文档的全部内容。

Beatiful Soup类的基本元素

 

• 基于bs4库的HTML内容遍历方法

HTML基本格式

标签树的下行遍历

标签树的上行遍历

标签树的平行遍历

注意：平行遍历发生在同一个父节点下的各节点间

 

• 基于bs4库的HTML格式化和编码

bs4库的prettify()方法使得html内容更加友好地显示：

 

• 信息组织与提取方法

信息的标记的三种形式

1.XML：扩展标记语言

最早的通用信息标记语言，可扩展性好，但繁琐。用于Internet上的信息交互与传递。

2.JSON：JavaScript Object Notation

有类型的键值对key:value，信息有类型，适合程序处理(js)，较XML简洁。用于移动应用云端和节点的信息通信，无注释。

3.YAML：YAML Ain't Markup Language

无类型键值对key:value，信息无类型，文本信息比例最高，可读性好。用于各类系统的配置文件，有注释易读。

信息提取的一般方法

实例：提取HTML中所有URL链接

思路：

1. 搜索到所有<a>标签
2. 解析<a>标签格式，提取href后的链接内容

 

• 基于bs4库的HTML内容查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)

返回一个列表类型，存储查找的结果。

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

简短形式：

<tag>(..)等价于<tag>.find_all(..)

soup(..)等价于soup.find_all(..)

扩展方法

 

• 实例：中国大学排名定向排名

爬取目标链接：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

功能描述：

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

程序的结构设计：

1. 从网络上获取大学排名网页内容getHTMLText()
2. 提取网页内容中信息到合适的数据结构fillUnivList()
3. 利用数据结构展示并输出结果printUnivList()

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, 'html.parser')
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[3].string])

def printUnivList(ulist, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))

def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)

main()