在数据抓取的过程中&＃xff0c;我们往往都需要对数据进行处理
本篇文章我们主要来介绍python的HTML和XML的分析库BeautifulSoup
BeautifulSoup 的官方文档网站如下
BeautifulSoup官网
BeautifulSoup可以在HTML和XML的结构化文档中抽取出数据&＃xff0c;而且还提供了各类方法&＃xff0c;可以很方便的对文档进行搜索、抽取和修改&＃xff0c;能极大的提高我们数据挖掘的效率
下面我们来安装BeautifulSoup
BeautifulSoup模块安装
(上面我已经安装过了&＃xff0c;所以没有显示进度条)
非常简单&＃xff0c;无非就是pip install 加安装的包名
pip3 install bs4
下面我们开始正式来学习这个模块
首先还是提供一个目标网址
我的个人网站
特克斯博客
下面我们通过requests的get方法保存这个网址内容的源代码
import requests
urls &＃61; "http://www.susmote.com"
resp &＃61; requests.get(urls)
resp.encoding &＃61; "utf8"
content &＃61; resp.text
with open("Bs4_test.html", &＃39;w&＃39;, encoding&＃61;"utf8") as f:
f.write(content)
运行起来&＃xff0c;我们马上就能得到这个网页的源代码了
网站源代码
下面我们写的程序就是专门针对这个源代码利用BeautifulSoup来分析
首先我们来获取里面所有的a标签的href链接和对应的文本
代码如下
from bs4 import BeautifulSoup
with open("Bs4_test.html", &＃39;r&＃39;, encoding&＃61;&＃39;utf8&＃39;) as f:
bs &＃61; BeautifulSoup(f.read())
a_list &＃61; bs.find_all(&＃39;a&＃39;)
for a in a_list:
if a.text !&＃61; "":
print(a.text.strip(), a["href"])
首先我们从BS4里面导入BeautifulSoup
然后以只读模式打开文件打开文件&＃xff0c;我们把f.read()作为BeautifulSoup的参数&＃xff0c;也就是将字符串初始化&＃xff0c;把返回的对象记为bs
然后我们就可以调用BeautifulSoup的方法了&＃xff0c;BeautifulSoup的最常用的方法就是find和find_all,可以在文档中找到符合条件的元素&＃xff0c;区别就是找到一个&＃xff0c;和找到所有
在这里我们使用find_all方法,他的常用形式是
元素列表 &＃61; bs.find_all(元素名称, attires &＃61; {属性名:属性值})
然后就是依次输出找到的元素&＃xff0c;这里就不多说 了
我们在命令行运行这段代码
运行代码
输出结果如下
输出结果
找寻的结果太多&＃xff0c;不一一呈现
可以看到爬取的链接其中有很多规律
例如标签链接
我们可以对代码进行稍微的更改&＃xff0c;以获取网站所有的标签链接&＃xff0c;也就是做一个过滤
代码如下
from bs4 import BeautifulSoup
with open("Bs4_test.html", &＃39;r&＃39;, encoding&＃61;&＃39;utf8&＃39;) as f:
bs &＃61; BeautifulSoup(f.read(), "lxml")
a_list &＃61; bs.find_all(&＃39;a&＃39;)
for a in a_list:
if a.text !&＃61; "" and &＃39;tag&＃39; in a["href"]:
print(a.text.strip(), a["href"])
大致内容没有改变&＃xff0c;只是在输出前加了一个判定条件&＃xff0c;以实现过滤
我们在命令行运行这个程序
运行代码
结果如下
输出结果
除了这样&＃xff0c;你还可以使用很多方法达到相同的目标
使用attrs &＃61; [ 属性名 : 属性值 ] 参数
属性名我相信学过html的人一定都知道&＃xff0c;例如"class"&＃xff0c;"id"、"style"都是属性&＃xff0c;下面我们逐步深入&＃xff0c;利用这个来深入挖掘数据
获取我的博客网站中每篇文章的标题
经过浏览器调试&＃xff0c;我们很容易获取到我的博客网页中标题部分的属性样式
如下图
浏览器调试
标题样式是一个
非常简单的一个属性
下面我们通过代码来实现批量获取文章标题
# coding&＃61;utf-8
__Author__ &＃61; "susmote"
from bs4 import BeautifulSoup
n &＃61; 0
with open("Bs4_test.html", &＃39;r&＃39;, encoding&＃61;&＃39;utf8&＃39;) as f:
bs &＃61; BeautifulSoup(f.read(), "lxml")
header_list &＃61; bs.find_all(&＃39;header&＃39;, attrs&＃61;{&＃39;class&＃39;: &＃39;post-header&＃39;})
for header in header_list:
n &＃61; int(n)
n &＃43;&＃61; 1
if header.text !&＃61; "":
print(str(n) &＃43; ": " &＃43; header.text.strip() &＃43; "\n")
大体上跟之前的代码没什么差别&＃xff0c;只是在find_all方法中多加了一个参数&＃xff0c;attrs以实现属性过滤&＃xff0c;然后为了使结果更清晰&＃xff0c;我加了一个n
在命令行下运行,结果如下
运行结果
利用正则表达式来表达属性值的特征
无非就是在属性值后面加一个正则匹配的方法&＃xff0c;我在这就不过多解释了&＃xff0c;如果想要了解&＃xff0c;可以自行上网百度
京公网安备 11010802041100号