爬虫 -----beautifulsoup、Xpath、re （一）附全国大学排名抓取

最新推荐文章于 2023-05-02 17:00:24 发布

疯子书生z

最新推荐文章于 2023-05-02 17:00:24 发布

阅读量699

点赞数 3

分类专栏： python 爬虫文章标签： python

本文链接：https://blog.csdn.net/qq_42240729/article/details/105635575

版权

1.BeautifulSoup简介

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。

1.1 BeautifulSoup使用流程

pip install beautifulsoup4 ，先安装 beautifulsoup4，安装成功后就完成了第一步。
导入：from bs4 import BeautifulSoup
创建 Beautiful Soup对象soup=BeautifulSoup(html，‘html.parser’)

1.2 BeautifulSoup 库的基本元素

Beautiful Soup库的理解： BeautifulSoup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：.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;

# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面

r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text  # 抓取的数据
demo

'<html><head><title>This is a python demo page</title></head>\r\n<body>\r\n<p class="title"><b>The demo python introduces several python courses.</b></p>\r\n<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>\r\n</body></html>'

# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser')  # 抓取的页面数据；bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())


<html>
 <head>
  <title>
   This is a python demo page
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The demo python introduces several python courses.
   </b>
  </p>
  <p class="course">
   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
    Advanced Python
   </a>
   .
  </p>
 </body>
</html>

1）标签，用soup.<tag> 访问获得
当HTML文档中存在多个相同<tag> 对应内容时，soup.<tag>返回第一个。

soup.a # 访问标签a

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

soup.title

<title>This is a python demo page</title>

2）标签的名字:每个<tag>都有自己的名字，通过soup.<tag>.name获取，字符串类型。

soup.a.name

'a'

soup.a.parent.name

'p'

soup.p.parent.name

'body'

3)标签的属性,一个<tag>.可以有0或多个属性，字典类型,soup.<tag>.attrs

tag = soup.a
print(tag.attrs)
print(tag.attrs['class'])
print(type(tag.attrs))

{
   'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
['py1']
<class 'dict'>

4)Attributes:标签内非属性字符串,格式：soup.<tag>.string, NavigableString可以跨越多个层次。

print(soup.a.string)
print(type(soup.a.string))

Basic Python
<class 'bs4.element.NavigableString'>

5）NavigableString:标签内字符串的注释部分，Comment是一种特殊类型(有–>)

print(type(soup.p.string))

<class 'bs4.element.NavigableString'>

.prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出
.prettify()可用于标签，方法：<tag>.prettify()

print(soup.prettify())

最低0.47元/天解锁文章

疯子书生z

关注

3
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
爬虫 -----beautifulsoup、Xpath、re （一）附全国大学排名抓取

目录1.BeautifulSoup简介1.1 BeautifulSoup使用流程1.2 BeautifulSoup 库的基本元素1.3 基于bs4库的HTML内容遍历方法1.4基于bs4库的HTML内容的查找方法2. 实战：中国大学排名定向爬取2.1 从网络上获取大学排名网页内容2.2 提取网页内容中信息到合适的数据结构（二维数组）2.3 利用数据结构展示并输出结果1.BeautifulSou...
复制链接

扫一扫

专栏目录