Python网络爬虫与信息提取（二）

Reference:

第二周：网络爬虫之提取

单元4：Beautiful Soup库入门

4-1 Beautiful Soup库的安装

使用原理：能办你给它的任何文档当做一锅汤，然后煲制这锅汤。

演示html页面上地址：http://python123.io/ws/demo.html

如何获得页面的源代码：

方法1：右键点击查看源代码

方法2：用request库来自动获取页面的源代码

>>>from bs4 import BeautifulSoup

>>>

4-2 Beautiful Soup库的基本元素

Beautiful Soup库是解析、遍历、维护“标签树”的功能库。只要你提供的文件是标签类型，那么Beautiful Soup库都可以对它做很好的解析。

Beautiful Soup对应一个

Beautiful Soup库解析器：

Beautiful Soup类的基本元素：

4-3 基于bs4库的HTML内容遍历方法

4-4 基于bs4库的HTML格式化和编码

单元5：信息组织与提取方法

5-1  信息标记的三种方式

信息的标记：

***一个信息：北京理工大学

***一组信息：

需要对信息做一定的标记，使得我们能够理解信息所返回的真实含义。

比如：信息标记         ‘name’，‘北京理工大学’             给它标记一个name，表明它是一个名字

                                   ‘addr’，‘北京市海淀区中关村’    给它标记一个address，表明它是一个地址

信息的标记：

（1）标记后的信息可形成信息组织结构，增加了信息维度。

（2）标记后的信息可用于通信、存储或展示。

（3）标记的结构与信息一样具有重要价值。

（4） 标记后的信息更有利于程序的理解和运用，也更有利于人对信息的深入的认识和理解。

HTML的信息标记 = Hyper Text Markup Language 超文本标记语言

html是www的信息组织方式。能够将声音、图像、视频等超文本的信息嵌入到文本当中。

HTML的信息标记

HTML通过预定义的<>...标签形式组织不同类型的信息。示例如图：

信息标记有哪些种类呢？

信息标记的三种形式：XML，JSON和YMAL

XML = eXtensible Markup Language 扩展标记语言

是一种与HTML接近的标记语言。

示例：

JSON = JavaScript Object Notation

有类型的键值对构建的信息表达方式 key：value

什么是键值对？就是给出一个信息，并对这个信息的类型做一个定义。

比如：

在JSON类型中要注意：无论是键还是值都需要通过增加双引号来表达它是字符串的形式。如果是数字，比如：1990,1911，就直接写数字即可。这种类型反应在键值对上，说明它是一个有数据类型的键值对。

值的部分有多个名字的时候：

键值对之间可以嵌套使用：

总结：JSON使用有类型的键值对将信息组织起来

好处：

YAML=YAML Ain't Markup Language

无类型键值对标记信息的表达形式

5-2  三种信息标记形式的比较

XML实例：

JSON实例：

YAML实例：

比较：

（1）XML 格式是最早的通用信息标记语言，可扩展性好，但繁琐。  应用：Internet上的信息交互与传递

（2）JSON 信息有类型，适合程序处理（js），较XML 简洁。应用：移动应用云端和节点的信息通信（一般用在程序对接口处理的地方）。

但是JSON有一个缺点：无注释。

（3）YAML 信息无类型，文本信息比例最好，可读性好。应用：各类系统的配置文件，有注释易读。因为既适合人类阅读，又适合程序分析。

5-3  信息提取的一般方法

信息提取指从标记后的信息中提取所关注的内容。

无论哪种形式，都包含“信息”和“标记”两部分。

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 YMAL 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，需要对整个文本的信息组织形式有清楚的理解。

方法二：无视标记形式，直接搜索获取关键信息。

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。

融合方法：结合形式解析与搜索方法，提取关键信息。

XML JSON YAML 搜索 ---》需要标记解析器及文本查找函数

实例：提取HTML中所有URL链接

思路：（1）搜索到所有的标签

（2）解析标签格式，提取href后的链接内容

<>.find_all(name,attrs,recursive,string,)

扩展方法

5-4 基于bs4库的HTML内容查找方法

单元6：实例1：中国大学排名爬虫

最好大学网：http://zuihaodaxue.cn/zuihaodaxuepaiming2016.html

功能描述：

输入：大学排名URL链接

输出：大学排名信息的屏幕输出（排名，大学名称，总分）

技术路线：requests-bs4

定向爬虫：仅对输入URL进行爬取，不扩展爬取。

（PS：从一个URL爬取其他更多的URL信息，这个就不是定向爬虫了）

STEP1. 查看信息是否写在html代码中？还是动态生成的？

STEP2. 查看该网站是否提供了robots的协定

程序的结构设计

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printUnivList（）