Python爬虫

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”。目前bs4库的最新版本是4.60。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](Beautiful Soup documentation)

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 beautifulsoup4

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

image

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是如下这么一段：

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):The Dormouse's story

    Once upon a time there were three little sisters; and their names were
http://example.com/elsie" class="sister" id="link1">Elsie,
http://example.com/lacie" class="sister" id="link2">Lacie and
http://example.com/tillie" class="sister" id="link3">Tillie;
and they lived at the bottom of a well.

    ...

• 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())    
'''
OUT:
    
# 
#  
#   
#  
#  
#   
#    
#     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.
#   

#   
#    ...
#   

#  
# 
'''

可以看到bs4库将网页文件变成了一个soup的类型，

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 ：

# 找到文档的titlesoup.title# 
    #title的name值soup.title.name# u'title'
    #title中的字符串Stringsoup.title.string# u'The Dormouse's story'
    #title的父亲节点的name属性soup.title.parent.name# u'head'
    #文档的第一个找到的段落soup.p# The Dormouse's story

    #找到的p的class属性值soup.p['class']# u'title'
    #找到a标签soup.a# http://example.com/elsie" id="link1">Elsie
    #找到所有的a标签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soup.find(id="link3")# http://example.com/tillie" id="link3">Tillie

• 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

• 从文档中找到所有标签的链接:

#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'))    # 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())# 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.## ...

作者：緣來
链接：https://www.jianshu.com/p/1f359fe5ede5