摘要:爬蟲之簡介提供一些簡單的式的函數(shù)用來處理導(dǎo)航搜索修改分析樹等功能。自動將輸入文檔轉(zhuǎn)換為編碼,輸出文檔轉(zhuǎn)換為編碼。已成為和一樣出色的解釋器,為用戶靈活地提供不同的解析策略或強(qiáng)勁的速度。
python爬蟲之BeautifulSoup 簡介
安裝**Beautiful Soup提供一些簡單的、python式的函數(shù)用來處理導(dǎo)航、搜索、修改分析樹等功能。它是一個工具箱,通過解析文檔為用戶提供需要抓取的數(shù)據(jù),因為簡單,所以不需要多少代碼就可以寫出一個完整的應(yīng)用程序。Beautiful Soup自動將輸入文檔轉(zhuǎn)換為Unicode編碼,輸出文檔轉(zhuǎn)換為utf-8編碼。你不需要考慮編碼方式,除非文檔沒有指定一個編碼方式,這時,Beautiful Soup就不能自動識別編碼方式了。然后,你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的python解釋器,為用戶靈活地提供不同的解析策略或強(qiáng)勁的速度。**
創(chuàng)建BeautifulSoup對象pip install BeautifulSoup4
easy_install BeautifulSoup4
首先應(yīng)該導(dǎo)入BeautifulSoup類庫 from bs4 import BeautifulSoup
下面開始創(chuàng)建對像,在開始之前為了方便演示,先創(chuàng)建一個html文本,如下:
html = """The Dormouse"s story The Dormouse"s story
Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well.
...
"""
Tag創(chuàng)建對象:soup=BeautifulSoup(html,"lxml"),這里的lxml是解析的類庫,目前來說個人覺得最好的解析器了,一直在用這個,安裝方法:pip install lxml
注意:Tag就是html中的一個標(biāo)簽,用BeautifulSoup就能解析出來Tag的具體內(nèi)容,具體的格式為soup.name,其中name是html下的標(biāo)簽,具體實例如下:
print soup.title輸出title標(biāo)簽下的內(nèi)容,包括此標(biāo)簽,這個將會輸出
The Dormouse"s story print soup.head
get這里的格式只能獲取這些標(biāo)簽的第一個,后面會講到獲取多個標(biāo)簽的方法。其中對于Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下:
name:對于Tag,它的name就是其本身,如soup.p.name就是p
attrs是一個字典類型的,對應(yīng)的是屬性-值,如print soup.p.attrs,輸出的就是{"class": ["title"], "name": "dromouse"},當(dāng)然你也可以得到具體的值,如print soup.p.attrs["class"],輸出的就是[title]是一個列表的類型,因為一個屬性可能對應(yīng)多個值,當(dāng)然你也可以通過get方法得到屬性的,如:print soup.p.get("class")。還可以直接使用print soup.p["class"]
get方法用于得到標(biāo)簽下的屬性值,注意這是一個重要的方法,在許多場合都能用到,比如你要得到標(biāo)簽下的圖像url,那么就可以用soup.img.get("src"),具體解析如下:
print soup.p.get("class") #得到第一個p標(biāo)簽下的src屬性string
得到標(biāo)簽下的文本內(nèi)容,只有在此標(biāo)簽下沒有子標(biāo)簽,或者只有一個子標(biāo)簽的情況下才能返回其中的內(nèi)容,否則返回的是None具體實例如下:
print soup.p.string #在上面的一段文本中p標(biāo)簽沒有子標(biāo)簽,因此能夠正確返回文本的內(nèi)容 print soup.html.string #這里得到的就是None,因為這里的html中有很多的子標(biāo)簽get_text()
搜索文檔樹 find_all( name , attrs , recursive , text , **kwargs )可以獲得一個標(biāo)簽中的所有文本內(nèi)容,包括子孫節(jié)點的內(nèi)容,這是最常用的方法
find_all是用于搜索節(jié)點中所有符合過濾條件的節(jié)點
name參數(shù):是Tag的名字,如p,div,title .....
soup.find_all("p") 查找所有的p標(biāo)簽,返回的是[The Dormouse"s story],可以通過遍歷獲取每一個節(jié)點,如下:
ps=soup.find_all("p") for p in ps: print p.get("class") #得到p標(biāo)簽下的class屬性
傳入正則表達(dá)式:soup.find_all(re.compile(r"^b")查找以b開頭的所有標(biāo)簽,這里的body和b標(biāo)簽都會被查到
傳入類列表:如果傳入列表參數(shù),BeautifulSoup會將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有標(biāo)簽和標(biāo)簽
soup.find_all(["a", "b"])
KeyWords參數(shù),就是傳入屬性和對應(yīng)的屬性值,或者一些其他的表達(dá)式
soup.find_all(id="link2"),這個將會搜索找到所有的id屬性為link2的標(biāo)簽。傳入正則表達(dá)式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達(dá)式的標(biāo)簽
傳入多個值:soup.find_all(id="link2",class_="title") ,這個將會查找到同時滿足這兩個屬性的標(biāo)簽,這里的class必須用class_傳入?yún)?shù),因為class是python中的關(guān)鍵詞
有些屬性不能通過以上方法直接搜索,比如html5中的data-*屬性,不過可以通過attrs參數(shù)指定一個字典參數(shù)來搜索包含特殊屬性的標(biāo)簽,如下:
# [foo!] data_soup.find_all(attrs={"data-foo": "value"}) #注意這里的atts不僅能夠搜索特殊屬性,亦可以搜索普通屬性 soup.find_all("p",attrs={"class":"title","id":"value"}) #相當(dāng)與soup.find_all("p",class_="title",id="value")
text參數(shù):通過 text 參數(shù)可以搜搜文檔中的字符串內(nèi)容.與 name 參數(shù)的可選值一樣, text 參數(shù)接受 字符串 , 正則表達(dá)式 , 列表, True
soup.find_all(text="Elsie") # [u"Elsie"] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u"Elsie", u"Lacie", u"Tillie"] soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse"s story", u"The Dormouse"s story"]
limit參數(shù):find_all() 方法返回全部的搜索結(jié)構(gòu),如果文檔樹很大那么搜索會很慢.如果我們不需要全部結(jié)果,可以使用 limit 參數(shù)限制返回結(jié)果的數(shù)量.效果與SQL中的limit關(guān)鍵字類似,當(dāng)搜索到的結(jié)果數(shù)量達(dá)到 limit 的限制時,就停止搜索返回結(jié)果.
文檔樹中有3個tag符合搜索條件,但結(jié)果只返回了2個,因為我們限制了返回數(shù)量,代碼如下:
soup.find_all("a", limit=2) # [Elsie, # Lacie]
find( name , attrs , recursive , text , **kwargs )recursive 參數(shù):調(diào)用tag的 find_all() 方法時,BeautifulSoup會檢索當(dāng)前tag的所有子孫節(jié)點,如果只想搜索tag的直接子節(jié)點,可以使用參數(shù) recursive=False
css選擇器它與 find_all() 方法唯一的區(qū)別是 find_all() 方法的返回結(jié)果是值包含一個元素的列表,而 find() 方法直接返回結(jié)果,就是直接返回第一匹配到的元素,不是列表,不用遍歷,如soup.find("p").get("class")
通過標(biāo)簽名查找我們在寫 CSS 時,標(biāo)簽名不加任何修飾,類名前加點,id名前加#,在這里我們也可以利用類似的方法來篩選元素,用到的方法是 soup.select(),返回類型是 list
print soup.select("title") #[通過類名查找The Dormouse"s story ] print soup.select("a") #[, Lacie, Tillie]
print soup.select(".sister") #[, Lacie, Tillie]通過id名查找
print soup.select("#link1") #[]組合查找
學(xué)過css的都知道css選擇器,如p #link1是查找p標(biāo)簽下的id屬性為link1的標(biāo)簽
print soup.select("p #link1") #查找p標(biāo)簽中內(nèi)容為id屬性為link1的標(biāo)簽 #[] print soup.select("head > title") #直接查找子標(biāo)簽 #[屬性查找The Dormouse"s story ]
查找時還可以加入屬性元素,屬性需要用中括號括起來,注意屬性和標(biāo)簽屬于同一節(jié)點,所以中間不能加空格,否則會無法匹配到。
print soup.select("a[class="sister"]") #[, Lacie, Tillie] print soup.select("a[) #[]
同樣,屬性仍然可以與上述查找方式組合,不在同一節(jié)點的空格隔開,同一節(jié)點的不加空格,代碼如下:
print soup.select("p a[) #[]
以上的 select 方法返回的結(jié)果都是列表形式,可以遍歷形式輸出,然后用 get_text() 方法來獲取它的內(nèi)容
soup = BeautifulSoup(html, "lxml") print type(soup.select("title")) print soup.select("title")[0].get_text() for title in soup.select("title"): print title.get_text()更多文章請移步本人博客
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/38615.html
摘要:它也會在同一個實例發(fā)出的所有請求之間保持,期間使用的功能。而主要是方便解析源碼,從中獲取請求需要的一些參數(shù)完整代碼請輸入賬號請輸入密碼項目地址模擬京東登錄吐槽群 Python 爬蟲之模擬登陸CSND 工具 基本的腳本語言是Python,雖然不敢說是最好的語言,至少是最好的之一(0.0),用模擬登陸,我們需要用到多個模塊,如下: requests BeautifulSoup requ...
摘要:流程作為上述過程的一個演示,我們使用的網(wǎng)址為頁面如下在表單中輸入德國,跳轉(zhuǎn)后的頁面如下我們可以發(fā)現(xiàn),在搜索的結(jié)果中,會出現(xiàn)德國這個搜索結(jié)果。點擊該搜索結(jié)果,跳轉(zhuǎn)后的頁面如下在這個頁面中有我們需要的德國的國旗。 介紹 ??本篇博客將會介紹一個Python爬蟲,用來爬取各個國家的國旗,主要的目標(biāo)是為了展示如何在Python的requests模塊中使用POST方法來爬取網(wǎng)頁內(nèi)容。??為了知道...
摘要:本次爬蟲項目將會用到模塊中的類,多線程豆瓣電影圖片。總結(jié)通過上述兩個爬蟲程序的對比,我們不難發(fā)現(xiàn),同樣是下載豆瓣電影,個網(wǎng)頁中的圖片,在沒有使用多線程的情況下,總共耗時約,而在使用多線程個線程的情況下,總共耗時約秒,效率整整提高了約倍。 爬蟲項目介紹 ??本次爬蟲項目將爬取豆瓣Top250電影的圖片,其網(wǎng)址為:https://movie.douban.com/top250, 具體頁面如...
摘要:筆者看到了,覺得還蠻有意思的,因此,決定自己也寫一個玩玩首先我們的爬蟲要能將英語單詞翻譯成中文,因此,我們就需要一個網(wǎng)站幫助我們做這件事情。 ??最近在微信公眾號中看到有人用Python做了一個爬蟲,可以將輸入的英語單詞翻譯成中文,或者把中文詞語翻譯成英語單詞。筆者看到了,覺得還蠻有意思的,因此,決定自己也寫一個玩玩~~??首先我們的爬蟲要能將英語單詞翻譯成中文,因此,我們就需要一個網(wǎng)...
摘要:在不懂和等協(xié)議的情況下,我直接打個比方來解釋一下什么是請求,以瀏覽器為例,人在瀏覽器輸入,然后敲擊鍵,直到頁面出現(xiàn),整個過程,我們可以抽象為我們向百度服務(wù)器發(fā)起的一次請求。更專業(yè),更詳細(xì)的解釋,自己去百度學(xué)習(xí)吧。 前言 ??剛學(xué)完python基礎(chǔ),想學(xué)習(xí)爬蟲的新手,這里有你想要的東西。??本文著重點在于教新手如何學(xué)習(xí)爬蟲,并且會以外行人的思維進(jìn)行形象地講解。最近我一兄弟想學(xué),我就想寫個...
閱讀 2231·2021-11-22 14:56
閱讀 9834·2021-09-08 10:45
閱讀 1966·2019-08-30 13:54
閱讀 2858·2019-08-29 16:54
閱讀 2003·2019-08-29 14:20
閱讀 1773·2019-08-29 12:25
閱讀 1851·2019-08-29 12:17
閱讀 1049·2019-08-23 18:29