python日记——网络爬虫之BeautifulSoup库
- BeautifulSoup库入门
1、基本使用:
2、BeautifulSoup库的基本元素
(1)Beautiful Soup库是解析、遍历、维护“标签树”的功能库
(2)Beautiful Soup库的解析器:
(3)BeautifulSoup库的基本元素:
1)任何存在于HTML语法中的标签都可以用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
2)每个tag都有自己的名字,通过tag.name获取,字符串类型
3)一个tag可以有0或多个属性,字典类型
4)NavigableString可以跨越多个层次
3、基于bs4库的HTML内容遍历方法
(1)Html基本格式:
(2)标签树的遍历方法:
1)下行遍历:
2)上行遍历:
3)平行遍历:
平行遍历发生在同一个父节点下的各节点间
4、基于bs4库的HTML格式输出
(1)bs4库的prettify()方法
(2).prettify()为HTML文本<>及其内容增加更加’\n’
(3).prettify()可用于标签,方法:tag.prettify()
(4)bs4库将任何HTML输入都变成utf‐8编码,Python 3.x默认支持编码是utf‐8,解析无障碍
- 信息标记与提取方法
1、信息标记的三种形式:
(1)XML:
(2)JSON:
(3)YAML:
2、三种形式的比较:
XML:最早的通用信息标记语言,可扩展性好,但繁琐,Internet上的信息交互与传递
JSON:信息有类型,适合程序处理(js),较XML简洁,移动应用云端和节点的信息通信,无注释
YAML:信息无类型,文本信息比例最高,可读性好,各类系统的配置文件,有注释易读
3、基于bs4的HTML内容查找方法
(1)<>.find_all(name, attrs, recursive, string, **kwargs),返回一个列表类型,存储查找的结果
tag(…) 等价于 tag.find_all(…)
soup(…) 等价于 soup.find_all(…)
(2)参数详解:
∙ name : 对标签名称的检索字符串
∙ attrs: 对标签属性值的检索字符串,可标注属性检索
∙ recursive: 是否对子孙全部检索,默认True
∙ string: <>…</>中字符串区域的检索字符串
(3)扩展方法:
- 中国大学排名实例
#getHtml():通过requests库获取大学排名网页内容
#fillList():提取网页内容中信息到合适的数据结构
#printList():输出排名、大学名称、总分
#saveToExcel():将结果保存到excel
import requests as rq
from bs4 import BeautifulSoup
import pandas as pd
import bs4
def getHtml(url):
try:
r = rq.get(url,timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillList(ulist,html):
soup = BeautifulSoup(html,'html.parser')
for tr in soup.find('tbody').children:
if isinstance(tr,bs4.element.Tag):
#判断tr是否是tag类型,防止遍历到string
tds = tr('td')
#等同于tds = tr.find_all('td')
ulist.append([tds[0].string,tds[1].string,tds[3].string])
def printList(ulist,num):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^8}"
print(tplt.format("排名","学校名称","总分",chr(12288)))
#chr(12288)使中文对齐
for i in range(num):
u = ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)
def saveToExcel(ulist):
df = pd.DataFrame(ulist,columns=['排名','学校名称','总分'])
df.to_excel('C:/Temp/school.xlsx')
print("保存成功")
def main():
uinfo = [] #用于存放内容
url = "http://www.zuihaodaxue.com/Greater_China_Ranking2019_0.html"
html = getHtml(url)
fillList(uinfo,html)
printList(uinfo,20)
saveToExcel(uinfo)
main()
本文部分内容参考于北京理工大学嵩天老师相关课程