快盘下载:好资源、好软件、快快下载吧!

快盘排行|快盘最新

当前位置:首页软件教程电脑软件教程 → Beautiful Soup 快速入门

Beautiful Soup 快速入门

时间:2022-05-09 14:14:53人气:作者:快盘下载我要评论

最近在用 Python 写爬虫,爬取 豆瓣电影Top250 的相关数据,需要快速提取页面中用到的数据,因此使用了 beautiful soup 这个 Python 库,以下为学习笔记。

1. 为什么使用 Beautiful Soup?

使用 Python 将网页的数据爬取下来后,如何在爬取到的数据中快速提取出我们想要的数据呢?
Beautiful Soup 这个 Python 库,就是用来解决这一问题的最佳方法之一。

2. Beautiful Soup 是什么?

Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。它能够通过你喜欢的转换器,实现惯用的文档导航,查找,修改文档的方式。Beautiful Soup 会帮你节省数小时甚至数天的工作时间。

3. 安装

由于 Beautiful Soup 目前最新的版本是 Beautiful Soup 4,因此默认使用最新的版本。

1) 安装 Beautiful Soup:
$ pip install beautifulsoup4


2) 安装解析器:

Beautiful Soup 支持 Python 标准库中的 HTML 解析器,同时还支持一些第三方的解析器,不过为了快速了解 Beautiful Soup 的用法,因此使用的是默认 Python 标准库解析器,所以不需要另外安装,如果有需要使用到第三方的解析器,请到文章的末尾跳转去官方文档进行了解。

Python 标准库解析器用法: "html.parser"

BeautifulSoup(html_doc, "html.parser")      # Python 标准库, HTML 解析器
# 如果不指定解析器,则使用的是 Python 内部默认的解析器 "html.parser"
# soup = BeautifulSoup(html_doc)


4. 创建 Beautiful Soup 对象
html_doc = """
<!DOCTYPE html>
<html lang="en" dir="ltr">
<head><title>当幸福来敲门</title></head>
<body>
<div class="info">
<span class="title">当幸福来敲门</span>
<b><!-- 播放链接 --></b>
<a href="http://www.example.com">播放</a>
<p class="bd1">导演: 加布里尔·穆奇诺 Gabriele Muccino</p>
<p class="bd2">主演: 威尔·史密斯 Will Smith</p>
<span class="rating_num">9.1分</span>
<span>1228277人评价</span>
<p class="quote"><span class="inq">平民励志片。</span></p>
</div>
</body>
</html>
"""


使用 BeautifulSoup 解析这段代码,能够得到一个 BeautifulSoup 的对象

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(html_doc, 'html.parser')
# >>> soup = BeautifulSoup(html_doc)


5. 四大对象种类

Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构,每个节点都是 Python 对象,所有对象可以归纳为 4 种:

1) Tag(与原生文档中的 tag 相同)

Tag 是什么?通俗点说就是 HTML 中的一个个标签(默认提取匹配的第一个标签)

>>> soup.head
# <head><title>当幸福来敲门</title></head>
>>> soup.title
# <title>当幸福来敲门</title>
>>> soup.span
# <span class="title">当幸福来敲门</span>
>>> soup.span['class']
# ['title']
>>> soup.span.get('class')
# ['title']


2) NavigableString(可以遍历的字符串)

当我们获取了标签的内容后,想要获取标签内的文字,则使用 .string

>>> soup.title.string
# '当幸福来敲门'


3) BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容。大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag 也就是上面的 soup 本身

>>> soup = BeautifulSoup(html_doc, 'html.parser')
# 该对象的属性
>>> soup.name
# '[document]'


4) Comment(注释及特殊字符串)

Tag、NavigableString、BeautifulSoup 几乎覆盖了 html 和 xml 中的所有内容,但是还有一些特殊对象。也就是文档的注释部分:
Comment 对象是一个特殊类型的 NavigableString 对象,当它出现在 HTML 文档中时,Comment 对象会使用特殊的格式输出:

>>> comment = soup.b.string
>>> type(comment)
# <class 'bs4.element.Comment'>
>>> comment
# ' 播放链接 '


6. 搜索文档树

Beautiful Soup 定义了很多搜索方法,这里就着重介绍 2 个:

1) find_all(name, attrs, recursive, text, **kwargs)

find_all () 方法搜索当前 tag 的所有 tag 子节点,返回结果是值包含一个元素的列表使用标签名来作为参数

>>> soup.find_all('a')
# [<a href="http://www.example.com">播放</a>]
>>> soup.find_all(['a', 'b'])
# [<b><!-- 播放链接 --></b>, <a href="http://www.example.com">播放</a>]


使用标签的属性来作为参数

class 因为是保留字,所以用 class 属性查找要改成 class_
>>> soup.find(class_='rating_num')
# <span class="rating_num">9.1分</span>


还可以使用正则表达式来作为参数

>>> import re
>>> soup.find_all(re.compile("^p"))
# [<p class="bd1">导演: 加布里尔·穆奇诺 Gabriele Muccino</p>, <p class="bd2">主演
# : 威尔·史密斯 Will Smith</p>, <p class="quote"><span class="inq">平民励志片。</
# span></p>]


2) find(name, attrs, recursive, text, **kwargs)

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

>>> soup.find('b')
# <b><!-- 播放链接 --></b>
>>> soup.find_all('b')
# [<b><!-- 播放链接 --></b>]


7. CSS 选择器

在 BeautifulSoup 对象的 .select() 方法中传入字符串参数,即可使用 CSS 选择器的语法找到 tag:
Beautiful Soup 支持大部分的 CSS 选择器,.select() 方法返回的结果是匹配的数据的列表形式。

>>> soup.select("title")
# [<title>当幸福来敲门</title>]
>>> soup.select("div p")
# [<p class="bd1">导演: 加布里尔·穆奇诺 Gabriele Muccino</p>, <p class="bd2">主演
# : 威尔·史密斯 Will Smith</p>, <p class="quote"><span class="inq">平民励志片。</
# span></p>]
>>> soup.select("div > .quote")
# [<p class="quote"><span class="inq">平民励志片。</span></p>]
>>> soup.select("p:nth-of-type(2)")
# [<p class="bd2">主演: 威尔·史密斯 Will Smith</p>]
>>> soup.select("p:nth-of-type(2)")[0].string
# '主演: 威尔·史密斯 Will Smith'
>>> soup.select("p:nth-of-type(2)")[0].get_text()
# '主演: 威尔·史密斯 Will Smith'


select 方法返回的结果都是列表形式,可以遍历形式输出,然后用 get_text() 方法来获取它的内容。

soup.a.get_text()


CSS 选择器参考手册:
https://www.w3school.com.cn/cssref/css_selectors.asp

8. 总结

由于本篇文章是为了快速上手使用 Beautiful Soup 来提取数据,更多详细内容请查看官方文档。

官方文档:
https://beautifulsoup.readthedocs.io/zh_CN/latest/

相关文章

  • cocos入门5:场景切换和资源管理

    cocos入门5:场景切换和资源管理,cocos creator如何进行场景切换、如何加载资源,释放资源?...
  • ESLint 配置入门,你学会了吗?

    ESLint 是一款检查 JavaScript 程序是否符合特定的规则的工具。比如字符串用单引号还是双引号,Tab 缩进用 2 个空格还是 4 个空格还是其他,这些都可以用 ESLint 来规定。...

网友评论

快盘下载暂未开通留言功能。

关于我们| 广告联络| 联系我们| 网站帮助| 免责声明| 软件发布

Copyright 2019-2029 【快快下载吧】 版权所有 快快下载吧 | 豫ICP备10006759号公安备案:41010502004165

声明: 快快下载吧上的所有软件和资料来源于互联网,仅供学习和研究使用,请测试后自行销毁,如有侵犯你版权的,请来信指出,本站将立即改正。