Python网络爬虫与信息提取(二)：网络爬虫之提取

此系列笔记来源于
中国大学MOOC-北京理工大学-嵩天老师的Python系列课程

转载自：http://www.jianshu.com/p/7b950b8a5966

---

4. Beautiful Soup库入门

Beautiful Soup库可对HTML/XML格式进行解析并提取相关信息

• 安装:管理员方式打开CMD-输入pip install beautifulsoup4
  小测:
  
  
  

  获得链接的HTML代码内容

  
  

  
  
  

  
  使用beautifulsoup解析

  
  
  
  

• Beautiful Soup库的基本元素
  Beautiful Soup库是解析/遍历/维护”标签熟”的功能库,引用方式:
  from bs4 import BeautifulSoup
import bs4
  Beautiful Soup库的4种解析器:
  
  
  
  
  
  
  Beautiful Soup类的基本元素:
  
  
  
  

  
  bs类基本元素

  
  
  
  
  • Tag标签
    
    
    
    
    
    
    任何存在于HTML语法中的标签都可用**soup.<tag>访问获得,存在多个取第一个
  • Tag的name
    
    
    
    
    
    
    每个<tag>有自己的名字,通过<tag>.name获取,字符串类型
  • Tag的attrs
    
    
    
    
    
    
  • Tag的NavigableString
    
    
    
    
    
    
  • Tag的Comment
    
    
    
    
    
    
• 基于bs4库的HTML内容遍历方法
  
  
  
  

  
  三种遍历方式

  
  
  
  
  • 下行遍历
    
    
    
    

    
    属性

    
    
    
    
    
    
    
    

    
    遍历

    
    
    
    
  • 上行遍历
    
    
    
    

    
    属性

    
    
    
    
    
    
    
    

    
    遍历

    
    
    
    
  • 平行遍历
    
    
    
    

    
    属性

    
    
    
    
    
    
    
    

    
    遍历

    
    
    
    
• 基于bs4库的HTML格式输出
  使用prettify()方法,为HTML文本<>及其内容增加”\n’并且可用于标签/方法

5.信息组织与提取方法

• 信息标记的三种形式及比较
  XML(eXtensible Markup Language)是最早的通用信息标记语言,可扩展性好,但繁琐;标签由名字和属性构成,形式有:

  <name>...</name>
  <name />
  <!--   -->

  JSON(JavaScript Objection Notation)适合程序处理,较XML简洁;有类型的键值对,形式有:

  "key":"value"
  "key":["value1","value2"]
  "key":{"subkey":"subvalue"}

  YAML(YAML Ain’t Markup Language)文本信息比例最高,可读性好;无类型的键值对,形式有:

  key:value
  key:#Comment
  -value1
  -value2
  key:
    subkey:subvalue

• 信息提取的一般方法
  
  • 完整解析信息的标记形式再提取关键信息,需要标记解析器;优点是解析准确,缺点是提取繁琐且慢
  • 无视标记形式,直接搜索关键信息;优点是提取速度快,缺点是准确性与信息内容相关
  • 结合两种方法,需要标记解析器和文本搜索功能
• 基于bs4库的HTML内容查找方法

  <>.find_all(name,attrs,recursive,string,**kwargs)`
  #返回一个列表类型,存储查找的结果
  #name:对标签名称的检索字符串
  #attrs:对标签属性值的检索字符串,可标注属性检索
  #recursive:是否对子孙全部搜索,默认True
  #string:对字符串域进行检索

  由find_all()扩展的七个方法:
  

  
  
  

  
  扩展方法

  
  
  
  

6.实例一:中国大学排名爬虫

步骤1:从网络上获取大学排名网页内容getHTMLText()
步骤2:提取网页内容中信息到合适的数据结构fillUnivList()
步骤3:利用数据结构展示并输出结果printUnivLise()

import requests
from bs4 import BeautifulSoup
import bs4

def getHTMLText(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return "error" 

def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[3].string])

def printUnivList(ulist,num):
    tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名","学校名称","总分",chr(12288)))
    for i in range(num):
        u=ulist[i]
        print(tplt.format(u[0],u[1],u[2],chr(12288)))

def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo,html)
    printUnivList(uinfo,20)
main()