爬虫之Beautiful Soup库入门

学习地址：https://www.icourse163.org/learn/BIT-1001870001?tid=1003245012#/

Beatiful Soup库官网：https://www.crummy.com/software/BeatifulSoup

Beatiful Soup库的基本元素

Beatiful Soup库的理解

Beatiful Soup库是解析、遍历、维护“标签树”的功能库。

Beatiful Soup库的引用

from bs4 import BeatifulSoup

Beatiful Soup类

BeatifulSoup对应一个HTML/XML文档的全部内容。

Beatiful Soup类的基本元素

基于bs4库的HTML内容遍历方法

HTML基本格式

标签树的下行遍历

标签树的上行遍历

标签树的平行遍历

注意：平行遍历发生在同一个父节点下的各节点间

基于bs4库的HTML格式化和编码

bs4库的prettify()方法使得html内容更加友好地显示：

信息组织与提取方法

信息的标记的三种形式

1.XML：扩展标记语言

最早的通用信息标记语言，可扩展性好，但繁琐。用于Internet上的信息交互与传递。

2.JSON：JavaScript Object Notation

有类型的键值对key:value，信息有类型，适合程序处理(js)，较XML简洁。用于移动应用云端和节点的信息通信，无注释。

3.YAML：YAML Ain't Markup Language

无类型键值对key:value，信息无类型，文本信息比例最高，可读性好。用于各类系统的配置文件，有注释易读。

信息提取的一般方法

实例：提取HTML中所有URL链接

思路：

搜索到所有<a>标签
解析<a>标签格式，提取href后的链接内容

基于bs4库的HTML内容查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)

返回一个列表类型，存储查找的结果。

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

简短形式：

<tag>(..)等价于<tag>.find_all(..)

soup(..)等价于soup.find_all(..)

扩展方法

实例：中国大学排名定向排名

爬取目标链接：http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

功能描述：

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

程序的结构设计：

从网络上获取大学排名网页内容getHTMLText()
提取网页内容中信息到合适的数据结构fillUnivList()
利用数据结构展示并输出结果printUnivList()

import requests
from bs4 import BeautifulSoup
import bs4def getHTMLText(url):try:r = requests.get(url, timeout=30)r.raise_for_status()r.encoding = r.apparent_encodingreturn r.textexcept: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[3].string])def printUnivList(ulist, num):print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))for i in range(num):u = ulist[i]print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))def main():uinfo = []url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'html = getHTMLText(url)fillUnivList(uinfo, html)printUnivList(uinfo, 20)main()

爬虫之Beautiful Soup库入门相关推荐

【Python爬虫】Beautiful Soup库入门
BeautifulSoup库的安装安装 pip install beautifulsoup4 测试是否安装成功 Python 3.8.3 (tags/v3.8.3:6f8c832, May 13 2 ...
python爬虫bs4库_04 Python爬虫之Beautiful Soup库
Beautiful Soup库的安装 Win平台: 以管理员身份运行 cmd 执行 pip install beautifulsoup4 Beautiful Soup库的安装小测首先,获取网页源码保 ...
Beautiful Soup库入门
Beautiful Soup简介与安装简介简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据.官方解释如下: Beautiful Soup提供一些简单的py ...
python——爬虫学习——Beautiful Soup库的使用-(2)
Beautiful Soup库执行pip install beautifulsoup4安装Beautiful Soup库 Beautiful Soup库的简介 Beautiful Soup是一个可以 ...
python爬虫之Beautiful Soup库，基本使用以及提取页面信息
一.Beautiful Soup简介爬虫正则表达式参考:Python 爬虫正则表达式和re库在爬虫过程中,可以利用正则表达式去提取信息,但是有些人觉得比较麻烦.因为花大量时间分析正则表达式.这时候 ...
Python 网络爬虫笔记5 -- Beautiful Soup库实战
Python 网络爬虫笔记5 – Beautiful Soup库实战 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. ...
Python 网络爬虫笔记3 -- Beautiful Soup库
Python 网络爬虫笔记3 – Beautiful Soup库 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程 ...
网络爬虫系列笔记（3）——Beautiful Soup库
Unit1:Beautiful Soup 一.安装 https://www.crummy.com/software/BeautifulSoup/ 管理员权限打开命令行:pip in ...
python爬虫beautifulsoup实例-Python爬虫学习（二）使用Beautiful Soup库
(一)使用Beautiful Soup库(默认将HTML转换为utf-8编码) 1,安装Beautiful Soup库:pip install beautifulsoup4 2,简单使用: impor ...
爬虫第二讲：Beautiful Soup库
第二讲 Beautiful Soup库一.Beautiful Soup库基础 1.示例引入 #首先爬取下页面 >>>import requests >>>r = ...

爬虫之Beautiful Soup库入门

Beatiful Soup库的基本元素

基于bs4库的HTML内容遍历方法

基于bs4库的HTML格式化和编码

信息组织与提取方法

基于bs4库的HTML内容查找方法

实例：中国大学排名定向排名

爬虫之Beautiful Soup库入门相关推荐

最新文章

热门文章