這是一篇學習筆記,看了一點嵩天教授的Python網絡爬蟲與信息提取課程,又看了datawhale給的代碼例子,把學習要點列在這裏
2.1 Beautiful Soup庫入門
- 學習beautifulsoup基礎知識。
- 使用beautifulsoup解析HTML頁面。
- Beautiful Soup 是一個HTML/XML 的解析器,主要用於解析和提取 HTML/XML 數據。
- 它基於HTML DOM 的,會載入整個文檔,解析整個DOM樹,因此時間和內存開銷都會大很多,所以性能要低於lxml。
- BeautifulSoup 用來解析 HTML 比較簡單,API非常人性化,支持CSS選擇器、Python標準庫中的HTML解析器,也支持 lxml 的 XML解析器。
- 雖然說BeautifulSoup4 簡單容易比較上手,但是匹配效率還是遠遠不如正則以及xpath的,一般不推薦使用,推薦正則的使用。
- 第一步:pip install beautifulsoup4 ,萬事開頭難,先安裝 beautifulsoup4,安裝成功後就完成了第一步。
- 第二步:導入from bs4 import BeautifulSoup
- 第三步:創建 Beautiful Soup對象 soup = BeautifulSoup(html,'html.parser')
2.1.1 Beautiful Soup庫的基本元素
- Beautiful Soup庫的理解: Beautiful Soup庫是解析、遍歷、維護“標籤樹”的功能庫,對應一個HTML/XML文檔的全部內容
- BeautifulSoup類的基本元素:
Tag
標籤,最基本的信息組織單元,分別用
<>
和
</>
標明開頭和結尾;
Name
標籤的名字,
<p>…</p>
的名字是
'p'
,格式:
<tag>.name;
Attributes
標籤的屬性,字典形式組織,格式:
<tag>.attrs;
NavigableString
標籤內非屬性字符串,
<>…</>
中字符串,格式:
<tag>.string;
Comment
標籤內字符串的註釋部分,一種特殊的
Comment
類型
;
2.1.2 基於bs4庫的HTML內容遍歷方法
HTML基本格式:<>…</>
構成了所屬關係,形成了標籤的樹形結構
- 標籤樹的下行遍歷
- .contents 子節點的列表,將
<tag>
所有兒子節點存入列表 - .children 子節點的迭代類型,與.contents類似,用於循環遍歷兒子節點
- .descendants 子孫節點的迭代類型,包含所有子孫節點,用於循環遍歷
- .contents 子節點的列表,將
- 標籤樹的上行遍
- .parent 節點的父親標籤
- .parents 節點先輩標籤的迭代類型,用於循環遍歷先輩節點
- 標籤樹的平行遍歷
- .next_sibling 返回按照HTML文本順序的下一個平行節點標籤
- .previous_sibling 返回按照HTML文本順序的上一個平行節點標籤
- .next_siblings 迭代類型,返回按照HTML文本順序的後續所有平行節點標籤
- .previous_siblings 迭代類型,返回按照HTML文本順序的前續所有平行節點標籤
2.1.3 基於bs4庫的HTML內容的查找方法
- <>.find_all(name, attrs, recursive, string, **kwargs)
- 參數:
- ∙ name : 對標籤名稱的檢索字符串
- ∙ attrs: 對標籤屬性值的檢索字符串,可標註屬性檢索
- ∙ recursive: 是否對子孫全部檢索,默認True
- ∙ string: <>…</>中字符串區域的檢索字符串
- 簡寫:
<tag>
(..) 等價於<tag>
.find_all(..)- soup(..) 等價於 soup.find_all(..)
- 擴展方法:
- <>.find() 搜索且只返回一個結果,同.find_all()參數
- <>.find_parents() 在先輩節點中搜索,返回列表類型,同.find_all()參數
- <>.find_parent() 在先輩節點中返回一個結果,同.find()參數
- <>.find_next_siblings() 在後續平行節點中搜索,返回列表類型,同.find_all()參數
- <>.find_next_sibling() 在後續平行節點中返回一個結果,同.find()參數
- <>.find_previous_siblings() 在前序平行節點中搜索,返回列表類型,同.find_all()參數
- <>.find_previous_sibling() 在前序平行節點中返回一個結果,同.find()參數
2.1.4 實戰:中國大學排名定向爬取
- 爬取url:http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html
- 爬取思路:
- 從網絡上獲取大學排名網頁內容
- 提取網頁內容中信息到合適的數據結構(二維數組)-排名,學校名稱,總分
- 利用數據結構展示並輸出結果