在网络爬虫的实战中,使用BeautifulSoup的目的是尝试化平淡为神奇。它通过定位HTML标签来格式化和组织复杂的网络信息,用简单易用的Python对象为我们展现XML结构信息。由于BeautifulSoup库不是Python的标准库,因此需要单独安装。
1. BeautifulSoup安装
在本片博文中,我们使用python3对应的包管理器pip3来安装BeautifulSoap,可以先执行如下指令验证pip3管理器是否正常可用:
pip3 list
若出现如下结果,则表明pip正常
结果显示当前python3上已经安装了pip和setuptools。然后执行下述安装指令:
pip3 install beautifulsoup4
出现如下图所示结果,表示BeautifulSoup安装成功。此时,再次执行pip3 list,结果如下:
2. 导入测试
执行python3指令,进入python3交互界面,导入BeautifulSoup包,结果如下,未出现任何错误,表示导入成功:
3. 使用BeautifulSoup
修改前面的代码,使用下述代码:
from urllib.request import urlopen
from bs4 import BeautifulSoup
html=urlopen("http://pythonscraping.com/pages/page1.html")
bsObj=BeautifulSoup(html.read(),"html.parser")
print(bsObj.h1)from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup
def getTitle(url):
try:
html=urlopen(url)
except HTTPError as e:
return None
try:
bsObj=BeautifulSoup(html.read())
title=bsObj.body.h1
except AttributeError as e:
return None
return title
title=getTitle("http://pythonscraping.com/pages/page1.html")
if title == None:
print("Title Could not be found")
else:
print(title)
和前面例子一样,我们导入urlopen,然后调用html.read()获取网页的HTML内容。这样就可以把HTML内容传入到BeautifulSoup对象,转换为下面的结构:
html-><html><head>...</head><body>...<body></html>
-head -><head><title>A useful Page</title></head>
-title-><title>A useful Page</title>
-body -> <body><h1>An Int...</h1><div>Lorem ip...</div></body>
-h1-><h1>An Interesting Title</h1>
-div -><div>Lorem Ipsum dolor..</div>
可以看出,我们从网页上提取的h1标签被嵌在BeautifulSoup对象bsObj结构的第二层(html->body-h1),但是当我们从对象里提取h1标签的时候,可以直接调用它
bsObj.h1
同样,还可以通过bsObj.html.body.h1,bsObj.body.h1,bsObj.html.h1。这个示例展示了BeautifulSoup的简单易用。其实,任何HTML(或XML)文件的任意节点信息都可以被提取出来,只要目标信息的旁边或附近有标记就行。