Python网络爬虫-Beautiful Soup库学习笔记

原创于 2023-03-23 20:42:58 发布 · 259 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #爬虫 #学习 #程序人生

python-爬虫专栏收录该内容

2 篇文章

订阅专栏

文章介绍了如何使用Python的BeautifulSoup库进行网络爬虫和信息提取。首先讲解了BeautifulSoup的安装及基础用法，包括获取HTML源代码和创建标签树。接着详细阐述了基于bs4库的HTML内容遍历方法，如下行遍历（children和descendants）、上行遍历（parent和parents）和平行遍历（next_sibling和previous_sibling）。最后提到了HTML格式的输出，特别是prettify()方法的应用。

一. Beautiful Soup库入门

1）Beautiful Soup库的安装：
以管理员身份运行cmd，并执行以下语句：

pip install  beautifulsoup4

2）检测Beautiful Soup库是否安装成功
用Requests库获取demo.html源代码：

import requests
from bs4 import	BeautifulSoup
r =	requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.prettify())

3）Beautiful Soup库的基本元素
首先，Beautiful Soup库是解析、遍历、维护“标签树”的功能库

# 标签树
<html>
	<body>
		<p class="title">...</p>
	</body>
<html>

Beautiful Soup库的理解：
在这里插入图片描述

基本元素	说明
Tag	标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
Name	标签的名字，`<p>...</p>`的名字是‘p’，格式：`<tag>.name`
Attributes	标签的属性，字典形式组织，格式：`<tag>.attrs`
NavigableString	标签内非属性字符串，`<>...</>`中字符串，格式：`<tag>.string`
Comment	标签内字符串的注释部分，一种特殊的Comment类型

二. 基于bs4库的HTML内容遍历方法

在这里插入图片描述

BeautifulSoup类型是标签树的根节点

1. 标签树的下行遍历：

属性	说明
.contents	子节点的列表，将`<tag>`所有儿子节点存入列表
.children	子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants	子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

for child in soup.body.children:
	print(child)  # 遍历儿子节点

for child in soup.body.descendants:
	print(child)  # 遍历子孙节点

2. 标签树的上行遍历：

属性	说明
.parent	节点的父亲节点
.parents	节点的先辈标签的迭代类型，用于循环遍历先辈节点

3. 标签树的平行遍历：

属性	说明
.next_sibling	返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling	返回按照HTML文本顺序的上一个平行节点标签
.next siblings	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

for sibling in soup.a.next_sibling:
print(sibling)   # 遍历后续节点

for sibling in soup.a.previous sibling:
print(sibling)    #  遍历前续节点

三. 基于bs4库的HTML格式输出

1. bs4库的prettify()方法
1） prettify()为HTML文本<>及其内容增加换行’\n‘
2）prettify()可用于标签，方法:<tag>.prettify()

import requests
from bs4 import	BeautifulSoup
r =	requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.prettify())