Python网络爬虫与信息提取——bs4

 

Beautiful Soup库解析器
解析器	使用方法	条件
bs4的HTML解析器	BeautifulSoup(mk, 'html.parser')	安装bs4库
lxml的HTML解析器	BeautifulSoup(mk,'xml')	pip install lxml
lxml的XML解析器	BeautifulSoup(mk,' xml')	pip install lxml
html5lib的解析器	BeautifulSoup(mk,' htm5lib')	pip install htm151ib

Beautiful Soup的基本元素

Beautiful Soup的基本元素
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，<>.... 的名字是'p'， 格式: .name
Attributes	标签的属性，字典形式组织，格式: attrs
NavigableString	标签内非属性字符串，<>...中字符串， 格式: .string
Comment	标签内字符串的注释部分，一种特殊的Comment类型

 

import requests
from bs4 import BeautifulSoup
r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print soup.a   #Basic Python
print soup.a.name  #a
print soup.a.parent.name   #p
print soup.a.attrs  #{u'href': u'http://www.icourse163.org/course/BIT-268001', u'class': [u'py1'], u'id': u'link1'}
print soup.a.attrs['class']  #[u'py1']
print type(soup.a.attrs) # 
print type(soup.a)  #
print soup.a.string  #Basic Python
print soup.p  #
The demo python introduces several python courses.
print soup.p.string  #The demo python introduces several python courses.

newsoup = BeautifulSoup("
this is not a comment
", "html.parser")
print newsoup.b.string  #this is a comment
print type(newsoup.b.string)  #
print newsoup.p.string  #this is not a comment
print type(newsoup.p.string)  #

Beautiful Soup的遍历方法

 

标签树的下行遍历

标签树的下行遍历
属性	说明
.contents	子节点的列表，将所有儿子节点存人列表
.children	子节点的选代类型，与.contents类似， 用于循环遍历儿子节点
.descendants	子孙节点的选代类型，包含所有子孙节点，用于循环遍历

r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
#down
print soup.head.contents   #[]
print soup.body.contents   #[u'\n', 
The demo python introduces several python courses.
, u'\n', 
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\nBasic Python and Advanced Python.
, u'\n']
print len(soup.body.contents)  #5
for child in soup.body.children:  #遍历儿子节点
    print child
for child in soup.body.descendants: #遍历子孙节点
    print child

 

标签树的上行遍历

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

 

#up
r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print soup.a.parent   #
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:Basic Python and Advanced Python.
for parent in soup.a.parents:
    if parent is None:
        print parent
    else:
        print parent.name
#p
#body
#html
#[document]

 

标签树的平行遍历(平行遍历发生在同一个父节点下的各节点间)

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	选代类型，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文本顾序的前续所有平行节点标签

r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print soup.a.next_sibling # and 
print soup.a.next_sibling.next_sibling   #Advanced Python
print soup.a.previous_sibling   #Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
for sibling in soup.a.next_sibling:  #遍历后序节点
    print sibling
for sibling in soup.a.previous_sibling:  #遍历前序节点
    print sibling

 

 

基于bs4库html的格式化与编码

r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print soup.prettify()
print soup.a.prettify()

 

三种信息标记形式的比较

XML	最早的通用信息标记语言，可扩展性好，但繁琐。	Internet 上的信息交互与传递。
JSON	信息有类型，适合程序处理(js),较XML简洁。	移动应用云端和节点的信息通信,无注释。
YAML	信息无类型，文本信息比例最高，可读性好。	移动应用云端和节点的信息通信,无注释。

 

信息提取的一般方法

方法一:完整解析信息的标记形式，再提取关键信息。

XML JSON YAML

需要标记解析器

例如: bs4库 的标签树遍历

优点:信息解析准确

缺点:提取过程繁琐，速度慢。

 

方法二:无视标记形式，直接搜索关键信息。

搜索

对信息的文本查找函数即可。

优点:提取过程简洁，速度较快。

缺点:

提取结果准确性与信息内容相关。

 

<> .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	是否对子孙全部检索，默认True。
string	<>...中字符串区域的检索字符串。

 

r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
for link in soup.find_all('a'):
    print link.get('href')
#http://www.icourse163.org/course/BIT-268001
#http://www.icourse163.org/course/BIT-1001870001

print soup.find_all(['a', 'b']) #[The demo python introduces several python courses., Basic Python, Advanced Python]
print soup.find_all(id='link1') #找出所有id为link1的字符串
print soup.find_all(True)
import re
soup.find_all(id=re.compile('link')) #找出所有id含有link的字符串

r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print soup.find_all(string = 'Basic Python')  #仅找出'Basic Python'字符串
print soup.find_all(string=re.compile('Python')) #找出含有Python的所有字符串


实例：中国大学排名定向爬虫
def gethtmltext(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        print r.text
        return r.text
    except:
        print "error"
        return ""

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

def printunivlist(ulist, num):
    print "{:^10}\t{:^6}\t{:^10}".format("排名", "学校", "总分")
    for i in range(num):
        u = ulist[i]
        print "{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2])

def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.com/zuihaodaxuepaiming2016.html'
    html = gethtmltext(url)
    fillunivlist(uinfo, html)
    printunivlist(uinfo, 20)

if __name__ == "__main__":
    main()