Python爬虫学习笔记(六)————BeautifulSoup(bs4)解析

目录

1.bs4基本简介

(1)BeautifulSoup简称

(2)什么是BeatifulSoup?

(3)优缺点

2.bs4安装以及创建

(1)安装         

(2)导入         

(3)创建对象

3.节点定位

(1)根据标签名查找节点

(2)函数

        ①find(返回一个对象)

        ②find_all(返回一个列表)

        ③select(根据选择器得到节点对象)【推荐】

               <1>element

                <2>.class

                <3>#id

                <4>属性选择器

                <5>层级选择器

4.节点信息

(1).获取节点内容:适用于标签中嵌套标签的结构

(2).节点的属性

(3).获取节点属性

5.实例

(1)解析本地文件生成对象

 (2)爬取星巴克网站产品图片及数据—— 解析服务器响应的文件生成对象 


1.bs4基本简介

(1)BeautifulSoup简称

                bs4

(2)什么是BeatifulSoup?

                 BeautifulSoup,和lxml一样,是一个html的解析器,主要功能也是解析和提取数据

(3)优缺点

                缺点:效率没有lxml的效率高

                优点:接口设计人性化,使用方便

2.bs4安装以及创建

(1)安装         

                pip install bs4

(2)导入         

                from bs4 import BeautifulSoup

(3)创建对象

                服务器响应的文件生成对象 

                        soup = BeautifulSoup(response.read().decode(), 'lxml')

                本地文件生成对象

                        soup = BeautifulSoup(open('1.html'), 'lxml')

                        注意:默认打开文件的编码格式gbk所以需要指定打开编码格式

3.节点定位

(1)根据标签名查找节点

        soup.a 【注】只能找到第一个a

                soup.a.name

                soup.a.attrs

(2)函数

        ①find(返回一个对象)

                find('a'):只找到第一个a标签

                find('a', title='名字')

                find('a', class_='名字')

        ②find_all(返回一个列表)

                 find_all('a') 查找到所有的a

                find_all(['a', 'span']) 返回所有的a和span,要加中括号

                find_all('a', limit=2) 只找前两个a

        ③select(根据选择器得到节点对象)【推荐】
               <1>element

                        eg:p

                <2>.class

                        eg:.firstname

                <3>#id

                        eg:#firstname

                <4>属性选择器

                        [attribute]

                                eg:li = soup.select('li[class]')

                        [attribute=value]

                                 eg:li = soup.select('li[class="hengheng1"]')

                <5>层级选择器

                        element element  (空格)

                                div p

                        element>element

                                div>p

                        element,element

                                div,p

                                        eg:soup = soup.select('a,span')

4.节点信息

(1).获取节点内容:适用于标签中嵌套标签的结构

        obj.string

        obj.get_text()【推荐】

(2).节点的属性

        tag.name 获取标签名

                eg:tag = find('li)

                        print(tag.name)

                tag.attrs将属性值作为一个字典返回

(3).获取节点属性

        obj.attrs.get('title')【常用】

        obj.get('title')

        obj['title']

5.实例

(1)解析本地文件生成对象

HTML文件




    
    Title



    
百度
哈哈哈

呵呵呵

python代码

from bs4 import BeautifulSoup


# 通过解析本地文件 来将bs4的基础语法进行讲解
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('075_尚硅谷_爬虫_解析_bs4的基本使用.html',encoding='utf-8'),'lxml')

# 根据标签名查找节点
# 找到的是第一个符合条件的数据
print(soup.a)
# 获取标签的属性和属性值
print(soup.a.attrs)

# bs4的一些函数
# (1)find
# 返回的是第一个符合条件的数据
print(soup.find('a'))

# 根据title的值来找到对应的标签对象
print(soup.find('a',title="a2"))

# 根据class的值来找到对应的标签对象  注意的是class需要添加下划线,为了与class关键字区分
print(soup.find('a',class_="a1"))


# (2)find_all  返回的是一个列表 并且返回了所有的a标签
print(soup.find_all('a'))

# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
print(soup.find_all(['a','span']))

# limit的作用是查找前几个数据
print(soup.find_all('li',limit=2))


# (3)select(推荐)
# select方法返回的是一个列表  并且会返回多个数据
print(soup.select('a'))

# 可以通过.代表class  我们把这种操作叫做类选择器
print(soup.select('.a1'))

print(soup.select('#l1'))


# 属性选择器---通过属性来寻找对应的标签
# 查找到li标签中有id的标签
print(soup.select('li[id]'))

# 查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))


# 层级选择器
#  后代选择器
# 找到的是div下面的li
print(soup.select('div li'))

# 子代选择器
#  某标签的第一级子标签
# 注意:很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
print(soup.select('div > ul > li'))


# 找到a标签和li标签的所有的对象
print(soup.select('a,li'))

# 节点信息
#    获取节点内容
# select方法返回的是一个列表  并且会返回多个数据,所以要取列表第一个数据,即【0】才能获得数据
obj = soup.select('#d1')[0]
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下  推荐使用get_text()
print(obj.string)
print(obj.get_text())

# 节点的属性
obj = soup.select('#p1')[0]
# name是标签的名字
print(obj.name)
# 将属性值左右一个字典返回
print(obj.attrs)

# 获取节点的属性
obj = soup.select('#p1')[0]

print(obj.attrs.get('class'))  # attrs返回属性的字典,字典的get方法
print(obj.get('class'))
print(obj['class'])

 (2)爬取星巴克网站产品图片及数据—— 解析服务器响应的文件生成对象 


import urllib.request

url = 'https://www.starbucks.com.cn/menu/'

response = urllib.request.urlopen(url)

content = response.read().decode('utf-8')


from bs4 import BeautifulSoup

soup = BeautifulSoup(content,'lxml')

# xpath方法
# //ul[@class="grid padded-3 product"]//strong/text()

#bs4
name_list = soup.select('ul[class="grid padded-3 product"] strong')

for name in name_list:
    print(name.get_text())

你可能感兴趣的:(python,爬虫,学习,网络爬虫,beautifulsoup,bs4)