页面解析和数据提取

关注公众号“轻松学编程”了解更多。
一般来讲对我们而言，需要抓取的是某个网站或者某个应用的内容，提取有用的价值。内容一般分为两部分，非结构化的数据 和 结构化的数据。

  • 非结构化数据：先有数据，再有结构，
  • 结构化数据：先有结构、再有数据

不同类型的数据，我需要采用不同的方式来处理。

  • 非结构化的数据处理
文本、电话号码、邮箱地址

用:正则表达式

html文件

用:正则表达式 / xpath/css选择器/bs4
  • 结构化的数据处理
json文件

用:jsonPath / 转化成Python类型进行操作（json类）

xml文件

用:转化成Python类型（xmltodict） / XPath /  CSS选择器 / 正则表达式

Beautiful Soup 4.2.0 文档

一、简介

官方文档：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

Beautiful Soup是一个HTML / XML的解析器，主要的功能是解析和提取HTML / XML数据。

lxml只会局部遍历，而Beautiful Soup是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup用来解析HTML比较简单，API非常人性化，支持CSS选择器，Python标准库中的HTML解析器，也支持lxml的XML解析器。

Beautiful Soup 3目前已经停止开发，推荐现在的项目使用Beautiful Soup 4.使用pip安装即可：pip install beautifulsoup4

抓取工具 速度 使用难度 安装难度
正则 最快 困难 无（内置）
BeautifulSoup 慢 最简单 简单
LXML 快 简单 一般

二、bs4的使用

1、导入模块
#安装 Beautiful Soup

pip install html5lib

#安装解析器

pip install lxml
2、获取节点
from bs4 import BeautifulSoup

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title title1">

    <ul>

        <li>1</li>

        <li>2</li>

        <li>3</li>

    </ul>

    <em>hello</em>

    <b>The Dormouse's story</b>

    <i>haskdjfhakjsf</i>

</p>

<p class="story" id='story'>

    <i>

        <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>

        <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>

        <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>

    </i>

</p>

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

"""

# 用lxml格式解析html 解析器

# soup = BeautifulSoup(html_doc,"lxml")

soup = BeautifulSoup(html_doc,"html5lib")

# print(soup)

# print(type(soup))

# 格式化

# print(soup.prettify())

# 标签选择

print('soup.title 输出：',soup.title)

# 打印第一个

print('soup.p 输出：',soup.p)

# 获取文本内容

#get_text() 获取当前标签下，子孙标签的所有文本

print('soup.i.get_text() 输出：',soup.i.get_text())

# string只能获取当前标签下的文本

print('soup.i.string 输出：',soup.i.string)

print('soup.i.text 输出：',soup.i.text)

# 标签属性

print('soup.title.name 输出：',soup.title.name)

# attrs所有的属性，字典字典{"属性名"：[值]}

print('soup.p.attrs 输出：',soup.p.attrs)

# 访问属性

print("soup.p.attrs['class'] 输出：",soup.p.attrs['class'])

# 直接访问属性

print("soup.p['class'] 输出：",soup.p['class'])

# 获取父节点

print("soup.p.parent 输出：",soup.p.parent)

# 获取祖父节点

# print("soup.p.parents 输出：",soup.p.parents)
3、寻找节点
3.1 通过find()来查找
#只找第一个

# find

# name=None, 便签名

#attrs={} ,属性名

# 只找第一个标签

print(soup.find('p'))

# 通过类名来查找节点

print(soup.find('p',attrs={'class':"story"}))

print(soup.find('p',class_="story"))

# 通过id来查找节点

print(soup.find('p',id="story"))
3.2通过find_all()来查找
#查找全部

# find_all

'''

 参数：name=None, attrs={}, recursive=True,

 text=None,limit=None, **kwargs

'''

# 查找所有符合的标签，返回一个列表

print(soup.find_all('p'))

# 限制输出

print(soup.find_all('a',limit=2))

# 使用正则

print(soup.find_all(re.compile('^p')))

print(soup.find_all(text=re.compile("^L")))
3.3 通过select()来查找
# css选择器

# 查找id为story下的a(子孙节点)

print(soup.select("#story a"))

# 查找id为story下的子节点下的a(子节点)

print(soup.select("#story > i > a"))

后记

【后记】为了让大家能够轻松学编程，我创建了一个公众号【轻松学编程】，里面有让你快速学会编程的文章，当然也有一些干货提高你的编程水平，也有一些编程项目适合做一些课程设计等课题。

也可加我微信【1257309054】，拉你进群，大家一起交流学习。
如果文章对您有帮助，请我喝杯咖啡吧！

公众号

关注我，我们一起成长~~

pytho爬虫使用bs4 解析页面和提取数据的更多相关文章

  1. python爬虫使用xpath解析页面和提取数据

    XPath解析页面和提取数据 一.简介 关注公众号"轻松学编程"了解更多. XPath即为XML路径语言,它是一种用来确定XML(标准通用标记语言的子集)文档中某部分位置的语言.X ...

  2. python简单爬虫 用lxml解析页面中的表格

    目标:爬取湖南大学2018年在各省的录取分数线,存储在txt文件中 部分表格如图: 部分html代码: <table cellspacing="0" cellpadding= ...

  3. scrapy框架Selector提取数据

    从页面中提取数据的核心技术是HTTP文本解析,在python中常用的模块处理: BeautifulSoup  非常流行的解析库,API简单,但解析的速度慢. lxml 是一套使用c语言编写的xml解析 ...

  4. python爬虫解析页面数据的三种方式

    re模块 re.S表示匹配单行 re.M表示匹配多行 使用re模块提取图片url,下载所有糗事百科中的图片 普通版 import requests import re import os if not ...

  5. 爬虫的三种解析方式(正则解析, xpath解析, bs4解析)

    一 : 正则解析 : 常用正则回顾: 单字符: . : 除换行符以外的所有字符 [] : [aoe] [a-w] 匹配集合中任意一个字符 \d : 数字 [0-9] \D : 非数字 \w : 非数字 ...

  6. Scrapy框架——介绍、安装、命令行创建，启动、项目目录结构介绍、Spiders文件夹详解（包括去重规则）、Selectors解析页面、Items、pipelines（自定义pipeline）、下载中间件（Downloader Middleware）、爬虫中间件、信号

    一 介绍 Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速.简单.可扩展的方式从网站中提取所需的数据.但目前Scrapy的用途十分广泛,可 ...

  7. MiseringThread.java 解析页面线程

    MiseringThread.java 解析页面线程 http://injavawetrust.iteye.com package com.iteye.injavawetrust.miner; imp ...

  8. bs4解析库

    beautifulsoup4 bs4解析库是灵活又方便的网页解析库,处理高效,支持多种解析器.利用它不用编写正则表达式即可方便地实现网页的提取 要解析的html标签 from bs4 import B ...

  9. Python3编写网络爬虫06-基本解析库Beautiful Soup的使用

    二.Beautiful Soup 简介 就是python的一个HTML或XML的解析库 可以用它来很方便的从网页中提取数据 0.1 提供一些简单的 python式的函数来处理导航,搜索,修改分析树等功 ...

随机推荐

  1. python_多级菜单_纯循环与分支

    源代码: #!/usr/bin/python3 __author__ = 'beimenchuixue' __blog__ = 'http://www.cnblogs.com/2bjiujiu/' d ...

  2. 机器学习可解释性系列 - 是什么&为什么&怎么做

    机器学习可解释性分析 可解释性通常是指使用人类可以理解的方式,基于当前的业务,针对模型的结果进行总结分析: 一般来说,计算机通常无法解释它自身的预测结果,此时就需要一定的人工参与来完成可解释性工作: ...

  3. 模型集成model ensemble

    A prediction model that is composed of a set of models is called a model ensemble. Baggging 和Boostin ...

  4. spark-1-架构设计&基本流程

    Spark运行架构包括: (1)集群资源管理器(Cluster Manager) (2)运行作业任务的工作节点(Worker Node) (3)每个应用的任务控制节点(Driver)和每个工作节点上负 ...

  5. BeautifulSoup使用手册（查询篇）

    目录 开始使用呢 解析器 四种对象 tag对象 标签名(name) 属性值(Attributes) 多值属性 内容 Comment对象 prettify()方法 find_all方法 contents ...

  6. Arduino 串行外设接口(SPI)

    时间有限有其他项目工作在忙,感觉作者写的不错,就先记录下来了. 这几天用SPI--Arduino 在供应商的电子原件上游离游走,重要的是可以读写了, 下面是在查资料看到的一篇不错的文章关于用Ardui ...

  7. Win10桌面不见了只显示开始菜单该怎么办？

    来源:http://www.w10zj.com/Win10xy/Win10xf_4256.html 在Win10系统中,有用户反应桌面不见了,只显示开始菜单的情况,该怎么办呢?出现这样的情况一般由于桌 ...

  8. 达梦数据库_DM8配置实时主备

    1.环境说明 准备三台机器DM_HD1.DM_HD11.DM_SH,DM_HD1和DM_HD11用来部署主备库,DM_SH用来部署确认监视器.其中DM_HD1和DM_HD11配置两块网卡,一块接入内部 ...

  9. TP5发送邮件

    1,前提去qq邮箱开启smtp 2,生成授权码 2,发送短信给 3,附上代码 贴上代码如下 <?phpnamespace app\mails\controller;use \think\Cont ...

  10. 两个多维高斯分布之间的KL散度推导

    在深度学习中,我们通常对模型进行抽样并计算与真实样本之间的损失,来估计模型分布与真实分布之间的差异.并且损失可以定义得很简单,比如二范数即可.但是对于已知参数的两个确定分布之间的差异,我们就要通过推导 ...