BeautifulSoup简单介绍
BeautifulSoup 可以从 HTML 或 XML 文件中提取数据。
BeautifulSoup的解析器
BeautifulSoup中的基本简单应用
例子:实现对豆瓣top250中文名字的爬取
import requests # 爬取到了top250的HTML,之后需要解析网页,正则表达式,BS和lxml三种方法
from bs4 import BeautifulSoup
def spiders_1(): # 爬取top250中电影的中文名字
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36 Edg/111.0.1661.51',
}
page = 1
for i in range(page):
url = f'https://movie.douban.com/top250?start={i*25}'
response = requests.get(url=url, headers=headers)
soup = BeautifulSoup(response.text, 'lxml')
# 将网页响应体的字符串转化成soup对象, lxml是解析器
content = soup.find('div', class_='info').a.span.text.strip()
print(content) # div为元素,strip()去字符串左右空格(去掉在这影响不大)
# .a.span.text表示div中的a中的span中HTML代码中的文本
# 具体看网页源码结构
content_list = soup.find_all('div', class_='info')
# print(content_list)
print("_____这是第%s页的电影_____" % (i + 1))
for j in range(len(content_list)):
content_title = content_list[j].div.a.span.text.strip()
print(content_title)
if __name__ == '__main__':
spiders_1()
soup.find()对符合条件的第一条数据进行返回
soup.find_all()对符合条件的数据以列表的形式返回(for循环里仍然是对符合条件的第一条数据进行返回,所以只返回了中文名),可去网页比对HTML代码思考。
结果如图所示(部分结果):
参考书本:唐松老师的 Python网络爬虫从入门到实践