从零开始写Python爬虫 --- 1.2 BS4库的安装与使用
什么是Beautiful Soup
Beautiful Soup库一般被称为bs4库,支持Python3,是我们写爬虫非常好的第三方库。因用起来十分的简便流畅。所以也被人叫做“美味汤”。下文会介绍该库的最基本的使用,具体详细的细节还是要看:官方文档
bs4库的安装
Python的强大之处就在于他作为一个开源的语言,有着许多的开发者为之开发第三方库,这样我们开发者在想要实现某一个功能的时候,只要专心实现特定的功能,其他细节与基础的部分都可以交给库来做。bs4库就是我们写爬虫强有力的帮手。
安装的方式非常简单:我们用pip工具在命令行里进行安装
pip install bs4
接着我们看一下是否成功安装了bs4库
pip list
这样我们就成功安装了 bs4 库
bs4库的简单使用
这里我们先简单的讲解一下bs4库的使用,暂时不去考虑如何从web上抓取网页,
假设我们需要爬取的html是下面这么一段:
下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):
html = """<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p>
</html>
"""
下面我们开始用bs4库解析这一段html网页代码。
#导入bs4模块
from bs4 import BeautifulSoup
#做一个美味汤
soup = BeautifulSoup(html,'html.parser')
#输出结果
print(soup.prettify())
结果如下:
可以看到bs4库将网页文件变成了一个soup的类型,事实上,bs4库 是解析、遍历、维护、“标签树“的功能库。
通俗一点说就是: bs4库把html源代码重新进行了格式化,从而方便我们对其中的节点、标签、属性等进行操作。
下面是几个简单的浏览结构化数据的方式 :
请仔细观察最前面的html文件
#找到文档的title
print(soup.title)
# <title>The Dormouse's story</title>#title的name值
print(soup.title.name)
# u'title'#title中的字符串String
print(soup.title.string)
# u'The Dormouse's story'#title的父亲节点的name属性
print(soup.title.parent.name)
# u'head'#文档的第一个找到的段落
print(soup.p)
# <p class="title"><b>The Dormouse's story</b></p>#找到的p的class属性值
print(soup.p['class'])
# u'title'#找到a标签
print(soup.a)
# http://example.com/elsie" id="link1">Elsie#找到所有的a标签
print(soup.find_all('a'))
# [http://example.com/elsie" id="link1">Elsie,
# http://example.com/lacie" id="link2">Lacie,
# http://example.com/tillie" id="link3">Tillie]#找到id值等于3的a标签
print(soup.find(id="link3"))
# http://example.com/tillie" id="link3">Tillie
通过上面的例子 我们知道bs4库是这样理解一个html源文件的:
- 首先 把html源文件转换为soup类型
- 接着 从中通过特定的方式抓取内容
我们接下来看点更高级点的用法
- 从文档中找到所有a标签的链接
#发现了没有,find_all方法返回的是一个可以迭代的列表
for link in soup.find_all('a'):print(link.get('href'))
结果如下
http://example.com/elsie
http://example.com/lacie
http://example.com/tillie
- 从文档中获取所有文字内容
#我们可以通过get_text 方法 快速得到源文件中的所有text内容。
print(soup.get_text())
结果如下
# The Dormouse's story
#
# The Dormouse's story
#
# Once upon a time there were three little sisters; and their names were
# Elsie,
# Lacie and
# Tillie;
# and they lived at the bottom of a well.
#
# ...
bs4库的入门使用我们就先进行到这里啦。下一章我会讲解有关 bs4库的解释器相关内容,里面会有更多更高级的用法。
从零开始写Python爬虫 --- 1.2 BS4库的安装与使用相关推荐
- 从零开始写Python爬虫---1.1 requests库的安装与使用
什么是爬虫? 爬虫本质上是模拟人浏览信息的过程,只不过他通过计算机来达到快速抓取筛选信息的目的.所以我们想要写一个爬虫,最基本的就是要将我们需要抓取信息的网页原原本本的抓取下来.这个时候就要用到req ...
- Python爬虫--- 1.2 BS4库的安装与使用
原文链接https://www.fkomm.cn/article/2018/7/20/17.html Beautiful Soup 库一般被称为bs4库,支持Python3,是我们写爬虫非常好的第三方 ...
- python 小说爬虫_从零开始写Python爬虫 --- 1.7 爬虫实践: 排行榜小说批量下载
从零开始写Python爬虫 --- 1.7 爬虫实践: 排行榜小说批量下载Ehco 5 个月前 本来只是准备做一个爬起点小说名字的爬虫,后来想了一下,为啥不顺便把小说的内容也爬下来呢?于是我就写了这个 ...
- python爬虫代理的使用_从零开始写Python爬虫 --- 2.4 爬虫实践:代理的爬取和验证...
爬网站的时候,由于各种原因,ip被锁了,这个时候我们就需要通过代理来突破封锁.网上有很多代理网站,付费和免费的都有,这次我们就来写一个scrapy爬虫,爬一些免费的代理下来用. 目标分析: 本次爬取了 ...
- 从零开始写Python爬虫 --- 1.7 爬虫实践: 排行榜小说批量下载
从零开始写Python爬虫 --- 1.7 爬虫实践: 排行榜小说批量下载 Ehco 5 个月前 本来只是准备做一个爬起点小说名字的爬虫,后来想了一下,为啥不顺便把小说的内容也爬下来呢?于是我就写了这 ...
- python 模拟浏览器selenium_从零开始写Python爬虫 --- 3.1 Selenium模拟浏览器
本来说好要写Mechanize模拟浏览器的,结果一看居然只支持2.x版本的Python,而且已经长久没有更新维护了,本着学新不学旧的原则,我决定跳过他,直接开学Selenium(其实就是我懒,逃 Se ...
- 从零开始写Python爬虫 --- 1.5 爬虫实践: 获取百度贴吧内容
从零开始写Python爬虫 --- 1.5 爬虫实践: 获取百度贴吧内容 Ehco 5 个月前 经过前期大量的学习与准备,我们重要要开始写第一个真正意义上的爬虫了.本次我们要爬取的网站是:百度贴吧,一 ...
- 从零开始写Python爬虫 --- 1.5 爬虫实践: 笔趣阁小说批量下载
目标网站 首先来看看我们排行榜的地址: http://www.qu.la/paihangbang/ 我们的目的很明确:找到各类排行旁的的每一部小说的名字和在该网站的链接. 网站分析 首先观察一下网页的 ...
- python爬虫软件-从零开始写Python爬虫,四大工具你值得拥有!
如果你正在学习编程,那么"爬虫"绝对是你不可忽视的.那么,学习python爬虫之前需要哪些准备? 一颗热爱学习,不屈不挠的心 一台有键盘的电脑(什么系统都行.我用的os x,所以例 ...
最新文章
- 斐波那契数列及青蛙跳台阶问题
- atitit.设计模式(1)--—职责链模式(chain of responsibility)最佳实践O7 日期转换
- 一些在NLP的面试中提问频率非常高的问题
- 将html代码转换为dom,将HTML字符转换为DOM节点并动态添加到文档中
- 华为申请注册鸿蒙商标,华为申请“鸿蒙商标”,企业注册商标有什么价值?
- Cadence 16 ( Allegro PCB ) 使用 Shape Symbol 制作不规则焊盘
- bootstraptable 加载完成回调函数_牛皮了!头一次见有大佬把「JavaScript中的回调函数」详解得如此清晰明了...
- 卷积神经网络之OverFeat(2014)
- 桂花网蓝牙路由器Cassia X1000产品介绍
- 十道解分式方程及答案_10道解分式方程练习题及答案.doc
- 计算机flash听课记录范文,听课记录范文
- c++ findpeaks函数_C++实现MATLAB一维数组函数findpeaks()函数求一维离散值极值(波峰波谷)...
- 快速破解IDEA(2017)
- xshell 连接报错 Disconnected from remote host
- RB-tree深度探索
- 插件系统分析及Discuz插件实现
- oracle client 安装及卸载
- 360极速浏览器X——这款全新的浏览器有亿点点好用
- 迷途中的融担:在下沉与专注中寻找未来
- 千兆万兆以太网测试仪