python3实现网络爬虫之BeautifulSoup使用详解


Posted in Python onDecember 19, 2018

这一次我们来了解一下美味的汤--BeautifulSoup,这将是我们以后经常使用的一个库,并且非常的好用。

BeautifuleSoup库的名字取自刘易斯·卡罗尔在《爱丽丝梦游仙境》里的同名诗歌。在故事中,这首歌是素甲鱼唱的。就像它在仙境中的说法一样,BeautifulSoup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标准库,因此我们需要单独安装这个库,才能使用它。对于这个库的安装,我们这里秉着简单的原则,就直接利用pycharm这个IDLE进行库的自动下载和导入。

首先我们进入pycharm的主界面,单击file-〉settings-〉Project:untitled-〉Project Interpreter,如下图:

python3实现网络爬虫之BeautifulSoup使用详解

python3实现网络爬虫之BeautifulSoup使用详解

在上图中我们会看到一个绿色的加号,这时我们单击这个加号,会跳出如下的界面(pycharm在这个地方有时候很慢,会一直在这个界面刷新):

python3实现网络爬虫之BeautifulSoup使用详解

这时我们在搜索框中输入“bs4”,然后选择列表中的bs4,然后进行安装,如下图:

python3实现网络爬虫之BeautifulSoup使用详解

这样我们就完成了BeautifulSoup这个库的安装,下面我们就可以来使用它了。

关于这个库的官方文档解释的是很详细的,一定要看一看:点击打开链接

下面我就简单说一下这个库的一些方面。

首先呢,我们还是从一个例子开始我们的学习:

#coding:utf - 8
from urllib.request import urlopen
from bs4 import BeautifulSoup
 
html = urlopen("http://tieba.baidu.com/")
bsObj=BeautifulSoup(html,"lxml")  #将html对象转化为BeautifulSoup对象
print(bsObj.title)  #输出这个网页中的标题 
执

执行上面的程序,我们会得到的结果为:<title>百度贴吧——全球最大的中文社区</title>
首先我们来分析下bsObj=BeautifulSoup(html,"lxml")这句话对我们的html做了什么,在这句代码中,我们将html对象传入到BeautifulSoup中将它转化成BeautifulSoup对象,关于第二个参数lxml,可以到官方文档中看,解释得很详细,这里大家只要知道带上它就可以了,不需要管它。这样,我们就成功将html对象转化为了BeautifulSoup对象。
下面我们来了解下BeautifulSoup对象的结构,当我们将html转化后得到的结构为:
html-><html><head>....</head><body>.....</body></html>
---head-><head><title>百度贴吧--全球最大的中文社区<title></head>

          ---title-><title>百度贴吧--全球最大的中文社区</title>

     ----body->.........

关于这个页面的结构我中间省略了一些无关紧要的元素,只是为了展示下这种层次化的结构。

从上面我们可以看出,BeautifulSoup将html对象进行了层次化处理了,对它的原网页的标签进行了逐层的处理和细化,以便于我们之后使用。也就是我们只要知道,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者附近有标记就行了,这个标记就是我们网页中使用到的各种div、li之类的标签元素,也可以是class、id之类的属性,通过这些我们都可以对需要的信息进行提取。

对于刚刚的bsObj.title这个提取标题的操作,由于一个网页中只有一个title,所以我们可以直接获取到它,因为它是唯一的嘛,大家可以这样理解,在一个学校中,你的学号是唯一的,我可以通过直接查找学号进而唯一的搜索你,而不会产生歧义。

对于bsObj.title我们有多重替代方案:

  • bsObj.html.head.title
  • bsObj.html.title
  • bsObj.head.title

关于上面的代码大家是对网页中元素的细化搜索,可以这样理解啊,假定你已经知道一个人是计科院的了,那你搜索他的时候常规思路便是直接在计科院找他,而bsObj.head中的head就相当于计科院,它是网页中的头部,title就放在这里面,所以我们使用bsObj.head.title也可以实现这个效果,其它的代码可以类似分析。

BeautifulSoup是一个对象,所以我们可以通过运算符“.”对它的属性进行提取。

如bsObj.title获取html的标题对象,bsObj.title.name获取标题的名字。。。

这里就先简单介绍这些,后面 我们将继续深入说明BeautifulSoup的好的使用方法。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python中使用wxPython开发的一个简易笔记本程序实例
Feb 08 Python
Python的Flask框架中实现简单的登录功能的教程
Apr 20 Python
Python正则抓取网易新闻的方法示例
Apr 21 Python
对numpy中数组元素的统一赋值实例
Apr 04 Python
一看就懂得Python的math模块
Oct 21 Python
在python3中pyqt5和mayavi不兼容问题的解决方法
Jan 08 Python
python七夕浪漫表白源码
Apr 05 Python
python 实现目录复制的三种小结
Dec 04 Python
基于python plotly交互式图表大全
Dec 07 Python
parser.add_argument中的action使用
Apr 20 Python
sklearn的predict_proba使用说明
Jun 28 Python
python 实现逻辑回归
Dec 30 Python
python爬虫超时的处理的实例
Dec 19 #Python
pycharm中使用anaconda部署python环境的方法步骤
Dec 19 #Python
Django框架模板注入操作示例【变量传递到模板】
Dec 19 #Python
python json.loads兼容单引号数据的方法
Dec 19 #Python
Python查找文件中包含中文的行方法
Dec 19 #Python
对python requests发送json格式数据的实例详解
Dec 19 #Python
解决Python下json.loads()中文字符出错的问题
Dec 19 #Python
You might like
PHP 危险函数全解析
2009/09/09 PHP
Mysql数据库操作类( 1127版,提供源码下载 )
2010/12/02 PHP
PHP用身份证号获取星座和生肖的方法
2013/11/07 PHP
memcache命令启动参数中文解释
2014/01/13 PHP
php判断手机访问还是电脑访问示例分享
2014/01/20 PHP
PHP框架Swoole定时器Timer特性分析
2014/08/19 PHP
PHP实现生成推广海报的方法详解
2018/03/14 PHP
Array.slice()与Array.splice()的返回值类型
2006/10/09 Javascript
js数组去重的常用方法总结
2014/01/24 Javascript
JavaScript中document对象使用详解
2015/01/06 Javascript
JScript中的条件注释详解
2015/04/24 Javascript
javascript实现checkbox全选的代码
2015/04/30 Javascript
Nodejs回调加超时限制两种实现方法
2017/06/09 NodeJs
jQuery实现QQ空间汉字转拼音功能示例
2017/07/10 jQuery
js实现方块上下左右移动效果
2017/08/17 Javascript
js生成word中图片处理方法
2018/01/06 Javascript
vuejs前后端数据交互之从后端请求数据的实例
2018/08/11 Javascript
详解微信小程序canvas圆角矩形的绘制的方法
2018/08/22 Javascript
Bootstrap4 gulp 配置详解
2019/01/06 Javascript
如何使用VuePress搭建一个类型element ui文档
2019/02/14 Javascript
js+css3实现炫酷时钟
2020/08/18 Javascript
python中的sort方法使用详解
2014/07/25 Python
使用python生成目录树
2018/03/29 Python
python 字典操作提取key,value的方法
2019/06/26 Python
Python调用graphviz绘制结构化图形网络示例
2019/11/22 Python
HTML5 实现图片上传预处理功能
2020/02/06 HTML / CSS
环保倡议书
2014/04/14 职场文书
和解协议书
2014/04/16 职场文书
生物工程专业求职信
2014/09/03 职场文书
总经理检讨书
2014/09/15 职场文书
物业管理委托协议(2篇)
2014/09/23 职场文书
镇班子对照检查材料思想汇报
2014/09/24 职场文书
上市公司董事长岗位职责
2015/04/16 职场文书
上下班时间调整通知
2015/04/23 职场文书
甜美蛋糕店的创业计划书模板,拿来即用!
2019/08/21 职场文书
Golang日志包的使用
2022/04/20 Golang