Python网络爬虫——BeautifulSoup4库的使用
使用requests库获取html页面并将其转换成字符串之后，需要进一步解析html页面格式，提取有用信息。
BeautifulSoup4库，也被成为bs4库（后皆采用简写）用于解析和处理html和xml。
1.调用
bs4库中最主要的便是bs类了，每个实例化的对象都相当于一个html页面
需要采用from-import导入bs类，同时通过BeautifulSoup（）创建一个bs对象
代码如下：
import requests
from bs4 import BeautifulSoup
r=requests.get("https://www.baidu.com/")
r.encoding="utf-8"
soup=BeautifulSoup(r.text)
print(type(soup))
运行结果：
2.常用属性
创建的BeautifulSoup对象是一个树形结构，它包含html页面中的每一个Tag（标签）元素，可以通过<a>.<b>的形式获得
常见的属性如下：
head：
html页面<head>内容
title：
html页面标题，在<head>之中，由<title>标记
body：
html页面<body>内容
p:
html页面第一个<p>内容
strings：
html页面所有呈现在web上的字符串，即标签的内容
stripped_string：
html页面所有呈现在web上的非空字符串
接下来尝试爬取百度的标语“百度一下，你就知道”
首先我们通过requests来建立请求，可以通过查看源代码找到对应部分
如下所示：
所以直接通过调用<title>标签即可
代码如下：
import requests
from bs4 import BeautifulSoup
r=requests.get("https://www.baidu.com/")
r.encoding="utf-8"
soup=BeautifulSoup(r.text)
title=soup.title
print(title)
结果如图所示：
3.标签常用属性
每一个标签在bs4中也是一个对象，被称为tag对象，以糯米为例，常见结构如下：
<a class=“mnav” href="http://www.nuomi.com">糯米</a>
其中尖括号（<>）中标签的名字为 name，其他项为attrs，尖括号之间的内容为string
所以常见的标签属性分为4种
name：
字符串、标签的名字
attrs：
字典、包含了原来页面tag的所有属性，比如href
contrnts：
列表、tag下所有子tag的内容
string：
字符串、tag所包含的文本，网页中的真实文字
由于html可以在标签中嵌套其他的标签，所以string返回遵循以下原则
①如果标签内没有其他标签，string属性返回其中的内容
②如果标签内部还有标签，但只有一个标签，string返回最里面的标签内容
③如果内部超过1层嵌套标签，则返回为none
依然以百度为例，我们需要找到第一个<a>标签的string代码应当如下：
import requests
from bs4 import BeautifulSoup
r=requests.get("https://www.baidu.com/")
r.encoding="utf-8"
soup=BeautifulSoup(r.text)
print(soup.a.string)
结果如图所示：
4.调用find()与find_all()
html中，同一个特标签会有很多内容，比如百度首页<a>一共有13处，但值返回第一处
所以这时候需要通过find与find_all来寻找，这两个方法都会遍历html文档按照条件返回内容
使用方法如下：
BeautifulSoup.find_all（name,attrs,recursive,string,limit）
name:以标签名字进行搜索，名字用字符串类型表示
attrs：按照标签的属性来搜索，需要列出属性的名字和值，用json方法表示
recursive：设置查找层次，只查找当前标签的西一层时使用recursiv=false
string：按照关键字查找string属性内容，采用string=开始
limit：返回结果个数，默认全部
至于find（）使用方法如find_all（）相同，
BeautifulSoup.find_all（name,attrs,recursive,string）
区别在于find（）只搜索第一个结果，find_all（）返回所有结果。
我们尝试来通过find_all（）来获取所有含有“百度”这一关键词的标签
首先需要调用re库，re是python的标准库可以采用compile（）对字符串的检索
所以代码如下：
import requests
import re
from bs4 import BeautifulSoup
r=requests.get("https://www.baidu.com/")
r.encoding="utf-8"
soup=BeautifulSoup(r.text)
w=soup.find_all(string=re.compile("百度"))
print(w)
结果如下：
Python网络爬虫——BeautifulSoup4库的使用的更多相关文章
- Python网络爬虫：空姐网、糗百、xxx结果图与源码
如前面所述,我们上手写了空姐网爬虫,糗百爬虫,先放一下传送门: Python网络爬虫requests.bs4爬取空姐网图片Python爬虫框架Scrapy之爬取糗事百科大量段子数据Python爬虫框架 ...
- Python网络爬虫学习总结
1.检查robots.txt 让爬虫了解爬取该网站时存在哪些限制. 最小化爬虫被封禁的可能,而且还能发现和网站结构相关的线索. 2.检查网站地图(robots.txt文件中发现的Sitemap文件) ...
- Python网络爬虫与信息提取
1.Requests库入门 Requests安装 用管理员身份打开命令提示符: pip install requests 测试:打开IDLE: >>> import requests ...
- Python网络爬虫与信息提取笔记
直接复制粘贴笔记发现有问题 文档下载地址//download.csdn.net/download/hide_on_rush/12266493 掌握定向网络数据爬取和网页解析的基本能力常用的 Pytho ...
- python 网络爬虫全流程教学，从入门到实战（requests+bs4+存储文件）
python 网络爬虫全流程教学,从入门到实战(requests+bs4+存储文件) requests是一个Python第三方库,用于向URL地址发起请求 bs4 全名 BeautifulSoup4, ...
- 关于Python网络爬虫实战笔记①
python网络爬虫项目实战笔记①如何下载韩寒的博客文章 python网络爬虫项目实战笔记①如何下载韩寒的博客文章 1. 打开韩寒博客列表页面 http://blog.sina.com.cn/s/ar ...
- python网络爬虫学习笔记
python网络爬虫学习笔记 By 钟桓 9月 4 2014 更新日期:9月 4 2014 文章文件夹 1. 介绍: 2. 从简单语句中開始: 3. 传送数据给server 4. HTTP头-描写叙述 ...
- Python网络爬虫
http://blog.csdn.net/pi9nc/article/details/9734437 一.网络爬虫的定义 网络爬虫,即Web Spider,是一个很形象的名字. 把互联网比喻成一个蜘蛛 ...
- 【python网络爬虫】之requests相关模块
python网络爬虫的学习第一步 [python网络爬虫]之0 爬虫与反扒 [python网络爬虫]之一 简单介绍 [python网络爬虫]之二 python uillib库 [python网络爬虫] ...
随机推荐
- Numpy 排序和使用索引
# 导包 import numpy as np 排序 .sort() x = np.arange(16) # array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, ...
- Pandas 分组聚合
# 导入相关库 import numpy as np import pandas as pd 创建数据 index = pd.Index(data=["Tom", "Bo ...
- [考试反思]0803NOIP模拟测试12：偿还
嗯,rank5.没什么可评价的,高不算高低不算低. 一套好题,被我浪费了. 离上面280的大神差的有点远. 分机房的绝响就要来临. 越来越感觉自己变菜了,整体的能力水平在下滑. 说的不只是考试,包括平 ...
- CSPS模拟 56
前十基本都A题了,只有$Dybala$.$Naito$和弱比$yxs$没有A题 $T1 Merchant$ 明明学过$nth element$但是由于不懂原理导致我用了个鬼畜的${U队}$来维护前$K ...
- NOIP模拟 40
考得更嘛也不是了. 不过如果不犯任何低错的话.. T1 我神奇地想要缩减码量 比如想把尽量多的$b[i]-1$省掉 于是求$b[i]$的时候先减了个一 本来是正的 减完就忘了他应该是非负的了 于是线段 ...
- 通俗易懂了解Vue组件的生命周期
1.前言 在使用vue2.0进行日常开发中,我们总有这样的需求,我就想在页面刚一加载出这个表格组件时就发送请求去后台拉取数据,亦或者我想在组件加载前显示个loading图,当组件加载出来就让这个loa ...
- 2.4g和5g无线使用频率
- Vue2.0项目使用bootstrap后提示Module parse failed: Unexpected character
具体报错如下: 报错原因是: Vue2.0无法识别bootstrap.css中使用的字体,也就是上图中圈出来的地方. 解决方案: // 需要在webpack.config.js增加对不识别文件的处理 ...
- css3 preserve-3d 的理解 注意IOS上的兼容
css3 preserve-3d 的理解 <pre><!DOCTYPE html><html lang="en"> <head> & ...
- linux No module named yum错误的解决办法
linux No module named yum错误的解决办法 肯定是yum的版本与当前python的版本不一致造成的 <pre>所以修改yum的配置,修改文件: vim /usr/bi ...