从零开始写Python爬虫 --- 1.2 BS4库的安装与使用

什么是Beautiful Soup

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”。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

bs4库的安装

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 bs4

从零开始写Python爬虫 --- 1.2 BS4库的安装与使用_第1张图片
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
从零开始写Python爬虫 --- 1.2 BS4库的安装与使用_第2张图片

bs4库的简单使用

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是下面这么一段:

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):

html = """<html><head><title>The Dormouse's storytitle>head>
<body>
<p class="title"><b>The Dormouse's storyb>p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsiea>,
<a href="http://example.com/lacie" class="sister" id="link2">Laciea> and
<a href="http://example.com/tillie" class="sister" id="link3">Tilliea>;
and they lived at the bottom of a well.p>

<p class="story">...p>
html>
"""

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())

结果如下:
从零开始写Python爬虫 --- 1.2 BS4库的安装与使用_第3张图片
可以看到bs4库将网页文件变成了一个soup的类型,事实上,bs4库 是解析、遍历、维护、“标签树“的功能库

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 :

请仔细观察最前面的html文件

#找到文档的title
print(soup.title)
# The Dormouse's story

#title的name值
print(soup.title.name)
# u'title'

#title中的字符串String
print(soup.title.string)
# u'The Dormouse's story'

#title的父亲节点的name属性
print(soup.title.parent.name)
# u'head'

#文档的第一个找到的段落
print(soup.p)
# 

The Dormouse's story

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

通过上面的例子 我们知道bs4库是这样理解一个html源文件的:

  • 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

我们接下来看点更高级点的用法

  • 从文档中找到所有a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'))

结果如下

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())

结果如下

# 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.
#
# ...

bs4库的入门使用我们就先进行到这里啦。下一章我会讲解有关 bs4库的解释器相关内容,里面会有更多更高级的用法。

你可能感兴趣的:(python爬虫案例分析,python,爬虫,bs4,BeautifulSoup)