Mooc爬虫03-BeautifulSoup

最新推荐文章于 2022-02-28 21:44:31 发布

xuanyetouci

最新推荐文章于 2022-02-28 21:44:31 发布

阅读量295

点赞数

本文链接：https://blog.csdn.net/xuanyetouci/article/details/70931948

版权

1 基本信息

　　Beautiful Soup是用于处理解析页面信息的

　　具体的说, Beautiful Soup库是解析, 遍历, 维护"标签树"的功能库

　　安装方法

pip install beautifulsoup4

　　最基本的使用

import requests
from bs4 import BeautifulSoup

r = requests.get("http://www.baidu.com")
soup = BeautifulSoup(r.content, 'html.parser')
print(soup.prettify())

2 基本元素

　　Beautiful Soup处理的内容文档一般是HTML页面

　　　　HTML页面是标签对形成的

　　　　这些标签对最终会形成标签树, 这些标签树实际上是Beautiful Soup类

　　　　也就是 HTML文档<---->标签树<---->Beautiful Soup类

　　Beautiful Soup的解析器

　　　　最主要的还是是用 html.parser解析器

　　Beautiful Soup类的基本元素

　　　　使用方法如下:

　　　　1) Tag标签

　　　　　　使用方法

BS对象.标签名字

soup.a
soup.title

　　　　　　其中如果该标签在页面存在多个, 那么只返回第一个

　　　　2) name

　　　　　　使用方法

BS对象.标签名字.name

　　　　3) attrs

　　　　　　使用方法

　　　　　　其中attrs获得的是一个字典类型的值

　　　　　　通过属性名字得到的就是列表类型

BS对象.标签名字.attrs
BS对象.标签名字.attrs['某个属性的名字']

soup.a.sttrs
soup.a.attrs['class']

　　　　4) NavigableString

　　　　　　表示的是标签内非属性的字符串, 使用如下

　　　　　　其中string如果该标签内存在别的标签嵌套, 获得的就是嵌套内部的string

　　　　　　因此, NavigableString可以跨越多个层次

BS对象.标签名字.string

　　　　5) Comment

　　　　　　标签内注释部分

　　　　　　获取方法和NavigableString相同, 都是通过string来获得

3 标签树的遍历

　　遍历分为下行遍历, 上行遍历, 平行遍历

　　上行遍历的主要有: contents, children, descendants

　　　　其中contens获得的是标签的所有内容

　　　　children或的是contents的具体的列表, 其中'\n'会被当做一个元素

　　　　descendants和children都是生成器, descendants会逐步往下遍历打印出所有子孙节点

　　上行遍历主要有: parent, parents

　　　　parent获得的是父亲节点, 获得的父亲节点包括该节点内的所有内容, 是一个很丰富的节点

　　　　parents是一个生成器, 倒数第二个是<html>标签. 最后一个是整个文档

　　平行遍历主要有: next_sibling, previous_sibling, next_siblings, previous_siblings

　　　　注意: 平行是指的在一个父节点下的子节点间的

　　　　　　其中next_sibling和previous_sibling是返回下一个或者上一个平行节点标签

　　　　　　next_siblings和previous_siblings是返回生成器类型

4 信息和组织方法

　　主要主流的有三种, XML, JSON, YAML

　　XML的主要形式

<person>
<firstName>Tian</firstName>
<lastName>Song</lastName>
<address>
<streetAddr>中关村南大街5号</streetAddr>
<city>北京市</city>
<zipcode>100081</zipcode>
</address>
<prof>Computer System</prof><prof>Security</prof>
</person>

　　JSON的主要形式

{
“firstName” : “Tian” ,
“lastName” : “Song” ,
“address” : {
“streetAddr” : “中关村南大街5号” ,
“city” : “北京市” ,
“zipcode” : “100081”
} ,
“prof” : [ “Computer System” , “Security” ]
}

　　YANL的主要形式

firstName : Tian
lastName : Song
address :
    streetAddr : 中关村南大街5号
    city : 北京市
    zipcode : 100081
prof :
‐Computer System
‐Security

　　三种类型的对比

　　　　XML: 可扩展性好, 但是繁琐, 主要用于网络传递信息

　　　　JSON: 信息有类型, 适合程序处理, 没有注释, 主要用于移动应用云端和节点的通信

　　　　YAML: 无类型, 信息比例高, 可读性好, 各类系统的配置文件

5 基于bs4的HTML的查找

　　最基本find_all()方法的解析

　　　　BS对象.fand_all(name, attrs, recursive, string, **kwargs)

　　name: 是对标签名称的检索, 返回一个list类型,

　　　　如果需要对多个标签查询, 可以组成一个list传给name

　　　　name=True 表示显示当前BS对象的所有标签信息

　　　　还可以用正则表达式来匹配名字

　　attrs: 对标签属性值的检索

　　　　可以直接传入参数

　　　　也可是使用键值对的方式

　　recursive: 是否符子孙全部检索, 默认为True

　　　　如果赋值为False的话, 就是从当前对象的子节点进行查找

　　string: 对字符串信息检索

　　由于find_all()方法是十分常用, 所以有一个简写形式

　　　　标签.fand_all()　简写为: 标签()

　　　　soup.find_all()　简写为: soup()

　　扩展方法

6 基于BS库的爬虫实例

　　实例一: 爬取大学排名

　　　　爬取地址: http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

　　　　实现对大学排名的信息的爬取

　　　　查看该HTML页面发现, 多有的排名信息都是<tbody>下的子节点

　　　　该子节点下的每一个<tr>就是一个排名信息

　　　　由于在find_all()的过程中可能出现查找的不是一个标签, 所以需要一个判断是否为标签的判断

　　具体实例如下

import requests
from bs4 import BeautifulSoup
import bs4

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

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string, tds[1].string, tds[2].string])

def printUnivList(ulist, num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校名称","总分",chr(12288)))
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))
    
def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20) # 20 univs
main()

　　实例二: 爬取PAT乙类的试题列表

　　具体代码如下

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

__author__ = 'weihuchao'

import requests
from bs4 import BeautifulSoup
import bs4

def getPAT(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print("获取PAT失败")

def getUrlList(ulist, content):
    soup = BeautifulSoup(content, "html.parser")
    for tr in soup.find("table").children:
        if isinstance(tr, bs4.element.Tag):
            if tr.name == "tr":
                tds = tr('td')
                href = "https://www.patest.cn"
                name = ""
                seq = tds[0].string
                try:
                    href += tds[1].contents[0].attrs['href']
                    name += tds[1].string
                except:
                    pass
                ulist.append([seq, name, href])

def printUrlList(ulist):
    tplt = "{0:^2}\t{1:{3}^30}\t{2:^50}"
    print(tplt.format("编号","试题名称","地址",chr(12288)))
    for i in ulist:
        print(tplt.format(i[0], i[1], i[2], chr(12288)))

def main():
    ulist = []
    url = "https://www.patest.cn/contests/pat-b-practise"
    content = getPAT(url)
    getUrlList(ulist, content)
    printUrlList(ulist)

if __name__ == "__main__":
    main()