网络爬虫_BeautifulSoup

import requests
from bs4 import BeautifulSoup




r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text  # demo获取url所有源代码




# BeautifulSoup 解析网页源代码
# 格式：BeautifulSoup('url', 'html.parser')
# 格式：BeautifulSoup(open('file'), 'html.parser')
soup = BeautifulSoup(demo, 'html.parser')  # html.parser解析器
print(soup.prettify())  # 查看解析内容




"""BeautifulSoup库的基本元素


<p class="title">...</p>
<></>: 标签，成对出现。
p: 名字。             # <tag>.name
class="title": 属性。 # <tag>.attrs
...: 字符串。         # <tag>.string """




# BeautifulSoup 基本操作
url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.title)
a = soup.a  # 返回a标签，只获取第一个a标签。
a_name = soup.a.name  # 获取a标签的名字
a_parent_name = soup.a.parent.name  # 获取a标签上一层标签的名字
print(a.attrs)  # a标签属性
print(a.string)  # a标签内容




print(soup.prettify())  # HTML格式化和编码




# 获取页面中所有url内容。
soup = BeautifulSoup(demo, "html.parser")
for link in soup.find_all('a'):
    print(link.get('href'))








# 基于bs4库中HTML查找方法。
import requests
from bs4 import BeautifulSoup




url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
for tag in soup.find_all(True):
    print(tag.name)
"""<>.find_all()


<>.find_all(name, attrs, recursive, string, **kwargs)
name  # 对标签名称的检索字符串。
attrs  # 对属性值检索。
resursive  # 是否对子孙检索，默认True。
string  # 对<>...</>区域检索。
**kwargs 


扩展方法
<>.find()  # 同find_all()只返回一个结果。
<>.find_parents()  # 在先辈节点中搜索。
<>.find_parent()  # 在先辈节点中搜索，只返回一个元素。
<>.find_next_siblings()  # 后续平行节点中搜索。
<>.find_next_sibling()  # 后续平行节点中搜索，只返回一个元素。
<>.find_previous_siblings()  # 前序平行节点中搜索。
<>.find_previous_sibling()  # 前序平行节点中搜索，只返回一个元素。"""






# 爬取中国大学排名前20大学排名总分名称
import requests
from bs4 import BeautifulSoup
import bs4




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




def fill_univ_list(u_list, html):
    """将text中的信息存入u_list中"""
    soup = BeautifulSoup(html, 'html.parser')
    for tr in soup.find('tbody'):
        if isinstance(tr, bs4.element.Tag):  # 检测标签类型
            tds = tr('td')
            u_list.append([tds[0].string, tds[1].string, tds[3].string])  # 将排名的参数作为字符串存储




def print_univ_list(u_list, num):
    """输出u_list中的信息"""
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))
    for i in range(num):
        u = u_list[i]
        print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))
    print("Suc" + str(num))




def main():
    u_info = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = get_html_text(url)
    fill_univ_list(u_info, html)
    print_univ_list(u_info, 20)  # 20所学校相关信息




if __name__ == "__main__":
    main()