Python爬虫入门（三）数据提取（BeautifulSoup）

BeautifulSoup4库

和lxml一样，BeautifulSoup也是一个 基于HTML/XML的解析器，主要功能也是如何解析和提取html/xml数据

Lxml只会局部遍历，而beautifulsoup是基于HTML DOM(Document Object Model)的，会载入整个文档，解析整个DOM树，因此需要的时间和内存开销会大，性能要低于lxml

Beautifulsoup用来解析html比较简单，api比较人性化，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

安装：pip install bs4

 

使用方法：

from urllib import request
from bs4 import BeautifulSoup

url = "http://www.baidu.com"
rsp = request.urlopen(url)
content = rsp.read()

soup = BeautifulSoup(content, "html.parser") #解析器为html.parser，如果不指定解析器则使用默认解析器
print(soup.title.string)

解析器比较

 

find_all的使用：

1.在提取标签的时候，第一个参数是标签的名字。然后如果在提取标签的时候想要使用标签属性过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去，或者使用sttrs属性，将所有的属性以及他的值放在一个字典中传给attrs属性

2.有些时候，在提取标签的时候，不想提取那么多，可以使用limit参数，限制提取个数。

find和find_all的区别：

1.find：找到第一个满足条件的标签返回。（一个）