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 = ...
最新文章
- vmware响应时间过长_性能调优高并发下如何缩短响应时间
- mysql5.6允许远程连接_mysql允许远程连接的方法
- Hello World of OpenCascade
- c语言小学生算法,急求:C语言小学生算法练习软件实现的任务:面向小学生,随机选择两个整数进行加、减、乘、除,要求学生解答。设计内容:1、电...
- #include 和#include“”的区别
- C语言程序设计之十六进制显示
- 15 分钟带你入门 sklearn 与机器学习(分类算法篇)
- 重温强化学习之策略梯度算法
- App设计灵感之十二组精美的旅行App设计案例
- 【POJ - 3616】Milking Time (贪心+dp)
- 英语口语 week11 Tuesday
- TensorFolw 报错
- 代码jquery分享一款jquery加载csv文件的代码
- 如何用EasyRecovery恢复中毒U盘中丢失的文件
- sklearn机器学习之分类预测算法应用
- NVIDIA显卡驱动程序更新失败解决记录
- 计算机科学与技术专业毕业答辨问题,计算机科学与技术论文答辩问题(问题及技巧介绍)...
- 分享--操作系统学习
- 拳王虚拟项目公社:拳王的个人IP打造之路,助你百度霸屏,与个人成长学习经历分享
- createCaptureSession()
热门文章
- Linux Shell编程笔记一:相关命令
- TED如何掌控你的时间(第二天)
- 智能优化算法:算术优化算法-附代码
- 从零基础入门Tensorflow2.0 ----五、22TF1.0计算图构建
- RpcOrtho failed: An unknown process erroroccurred.
- 网易校招——魔法币问题
- list.files: List the Files in a Directory/Folder
- JS学习总结(10)——Windows对象
- js实现全排列组合算法
- Hibernate-01-API及环境搭建