快捷導(dǎo)航

python3實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲之BeautifulSoup使用詳解

更新時(shí)間：2018年12月19日 14:58:14 作者：陌上行走

這篇文章主要介紹了python3實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲之BeautifulSoup使用詳解，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

這一次我們來了解一下美味的湯--BeautifulSoup，這將是我們以后經(jīng)常使用的一個(gè)庫，并且非常的好用。

BeautifuleSoup庫的名字取自劉易斯·卡羅爾在《愛麗絲夢(mèng)游仙境》里的同名詩歌。在故事中，這首歌是素甲魚唱的。就像它在仙境中的說法一樣，BeautifulSoup嘗試化平淡為神奇。它通過定位HTML標(biāo)簽來格式化和組織復(fù)雜的網(wǎng)絡(luò)信息，用簡單易用的Python對(duì)象為我們展現(xiàn)XML結(jié)構(gòu)信息。

由于BeautifulSoup庫不是Python標(biāo)準(zhǔn)庫，因此我們需要單獨(dú)安裝這個(gè)庫，才能使用它。對(duì)于這個(gè)庫的安裝，我們這里秉著簡單的原則，就直接利用pycharm這個(gè)IDLE進(jìn)行庫的自動(dòng)下載和導(dǎo)入。

首先我們進(jìn)入pycharm的主界面，單擊file-〉settings-〉Project：untitled-〉Project Interpreter，如下圖：

在上圖中我們會(huì)看到一個(gè)綠色的加號(hào)，這時(shí)我們單擊這個(gè)加號(hào)，會(huì)跳出如下的界面（pycharm在這個(gè)地方有時(shí)候很慢，會(huì)一直在這個(gè)界面刷新）：

這時(shí)我們?cè)谒阉骺蛑休斎搿癰s4”，然后選擇列表中的bs4，然后進(jìn)行安裝，如下圖：

這樣我們就完成了BeautifulSoup這個(gè)庫的安裝，下面我們就可以來使用它了。

關(guān)于這個(gè)庫的官方文檔解釋的是很詳細(xì)的，一定要看一看：點(diǎn)擊打開鏈接

下面我就簡單說一下這個(gè)庫的一些方面。

首先呢，我們還是從一個(gè)例子開始我們的學(xué)習(xí)：

#coding:utf - 8
from urllib.request import urlopen
from bs4 import BeautifulSoup
 
html = urlopen("http://tieba.baidu.com/")
bsObj=BeautifulSoup(html,"lxml")  #將html對(duì)象轉(zhuǎn)化為BeautifulSoup對(duì)象
print(bsObj.title)  #輸出這個(gè)網(wǎng)頁中的標(biāo)題 
執(zhí)

執(zhí)行上面的程序，我們會(huì)得到的結(jié)果為：<title>百度貼吧——全球最大的中文社區(qū)</title>
首先我們來分析下bsObj=BeautifulSoup(html,"lxml")這句話對(duì)我們的html做了什么，在這句代碼中，我們將html對(duì)象傳入到BeautifulSoup中將它轉(zhuǎn)化成BeautifulSoup對(duì)象，關(guān)于第二個(gè)參數(shù)lxml，可以到官方文檔中看，解釋得很詳細(xì)，這里大家只要知道帶上它就可以了，不需要管它。這樣，我們就成功將html對(duì)象轉(zhuǎn)化為了BeautifulSoup對(duì)象。
下面我們來了解下BeautifulSoup對(duì)象的結(jié)構(gòu)，當(dāng)我們將html轉(zhuǎn)化后得到的結(jié)構(gòu)為：
html-><html><head>....</head><body>.....</body></html>
---head-><head><title>百度貼吧--全球最大的中文社區(qū)<title></head>

---title-><title>百度貼吧--全球最大的中文社區(qū)</title>

----body->.........

關(guān)于這個(gè)頁面的結(jié)構(gòu)我中間省略了一些無關(guān)緊要的元素，只是為了展示下這種層次化的結(jié)構(gòu)。

從上面我們可以看出，BeautifulSoup將html對(duì)象進(jìn)行了層次化處理了，對(duì)它的原網(wǎng)頁的標(biāo)簽進(jìn)行了逐層的處理和細(xì)化，以便于我們之后使用。也就是我們只要知道，任何HTML（或XML）文件的任意節(jié)點(diǎn)信息都可以被提取出來，只要目標(biāo)信息的旁邊或者附近有標(biāo)記就行了，這個(gè)標(biāo)記就是我們網(wǎng)頁中使用到的各種div、li之類的標(biāo)簽元素，也可以是class、id之類的屬性，通過這些我們都可以對(duì)需要的信息進(jìn)行提取。

對(duì)于剛剛的bsObj.title這個(gè)提取標(biāo)題的操作，由于一個(gè)網(wǎng)頁中只有一個(gè)title，所以我們可以直接獲取到它，因?yàn)樗俏ㄒ坏穆?，大家可以這樣理解，在一個(gè)學(xué)校中，你的學(xué)號(hào)是唯一的，我可以通過直接查找學(xué)號(hào)進(jìn)而唯一的搜索你，而不會(huì)產(chǎn)生歧義。

對(duì)于bsObj.title我們有多重替代方案：

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

關(guān)于上面的代碼大家是對(duì)網(wǎng)頁中元素的細(xì)化搜索，可以這樣理解啊，假定你已經(jīng)知道一個(gè)人是計(jì)科院的了，那你搜索他的時(shí)候常規(guī)思路便是直接在計(jì)科院找他，而bsObj.head中的head就相當(dāng)于計(jì)科院，它是網(wǎng)頁中的頭部，title就放在這里面，所以我們使用bsObj.head.title也可以實(shí)現(xiàn)這個(gè)效果，其它的代碼可以類似分析。

BeautifulSoup是一個(gè)對(duì)象，所以我們可以通過運(yùn)算符“.”對(duì)它的屬性進(jìn)行提取。

如bsObj.title獲取html的標(biāo)題對(duì)象，bsObj.title.name獲取標(biāo)題的名字。。。

這里就先簡單介紹這些，后面我們將繼續(xù)深入說明BeautifulSoup的好的使用方法。

以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: