Beautiful Soup爬取数据html xml

简介

Beautiful Soup是一个Python库，用于从HTML或XML文件中提取数据。
它提供了一种简单而灵活的方式来解析和遍历HTML或XML文档，并提供了一些有用的方法来提取所需的数据。

安装

pip install beautifulsoup4

使用

1. 导入库：在Python脚本的开头，导入Beautiful Soup库。

from bs4 import BeautifulSoup

2. 读取HTML或XML文档：使用适当的方法读取HTML或XML文档，并将其存储在一个变量中。您可以从文件中读取文档，也可以直接将文档内容作为字符串传递给Beautiful Soup。

# 从文件中读取HTML文档
with open('example.html', 'r') as f:
    html_doc = f.read()

或者直接传递HTML字符串

html_doc = '
Hello, World!
'

3. 创建Beautiful Soup对象：使用Beautiful Soup库创建一个BeautifulSoup对象，将文档内容和解析器类型作为参数传递给它。

soup = BeautifulSoup(html_doc, 'html.parser')

4. 解析和提取数据：使用Beautiful Soup提供的方法和属性，解析和提取您需要的数据。您可以使用标签名、类名、属性等方式来定位和选择元素。

# 通过标签名选择元素
title = soup.h1
print(title.text)  # 输出元素文本内容

# 通过类名选择元素
paragraphs = soup.find_all('p')
for p in paragraphs:
    print(p.text)

# 通过属性选择元素
links = soup.find_all('a', href=<a href="http://example.com" class="underline" target="_blank">Click this URL</a>)
for link in links:
    print(link['href'])

举例

URL爬数据，弄两万用户左右，然后还需要follower和following的数量
https://www.personalitycafe.com/members/ .html
保存在csv中

1. 导入所需的库：

import requests
from bs4 import BeautifulSoup
import csv

2. 发送HTTP请求并创建Beautiful Soup对象：

url = <a href="https://www.personalitycafe.com/members/" class="underline" target="_blank">Click this URL</a>
response = requests.get(url)
html_doc = response.text
soup = BeautifulSoup(html_doc, 'html.parser')

3. 解析用户列表并提取所需信息：

user_list = soup.find_all('li', class_='member')

data = []
for user in user_list:
    username = user.find('a', class_='username').text
    follower_count = user.find('dd', class_='follow_count').text
    following_count = user.find('dd', class_='following_count').text
    data.append([username, follower_count, following_count])

4. 将数据保存到CSV文件：

filename = 'user_data.csv'

with open(filename, 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerow(['Username', 'Follower Count', 'Following Count'])
    writer.writerows(data)

print(f"数据已保存到 {filename} 文件中。")

这样，爬取到的用户数据将会保存在名为 “user_data.csv” 的CSV文件中，包括用户名、follower数量和following数量。

请注意，根据目标网站的结构和HTML标记，可能需要进一步的调整和修改代码以正确提取所需的数据。
要正确提取所需的数据，需要根据目标网站的结构和HTML标记进行进一步的调整和修改代码。

Beautiful Soup

一些常用的Beautiful Soup操作和技巧

1. 使用标签名称提取元素：

elements = soup.find_all('tag_name')

2. 使用CSS选择器提取元素：

elements = soup.select('css_selector')

3. 提取元素的文本内容：

text = element.get_text()

4. 提取元素的属性值：

attribute_value = element['attribute_name']