开始学习网络数据挖掘方面的知识，首先从Beautiful Soup入手（Beautiful Soup是一个Python库，功能是从HTML和XML中解析数据），打算以三篇博文纪录学习Beautiful Soup的过程，第一篇是Beautiful Soup基础知识，后两篇利用前边的Beautiful Soup知识完成一个简单的爬虫，抓取allitebook.com的书籍信息和ISBN码，再根据ISBN码去amazon.com抓取书籍对应的价格。

一、Beautiful Soup简介

网络数据挖掘指的是从网站中获取数据的过程，数据挖掘技术可以让我们从网站世界中收集大量有价值的数据。
Beautiful Soup是一个Python库，可以从HTML或XML文件中获取数据，利用它你可以做很多事情，比如你可以持续解析某个商品的最新价格，以便跟踪价格的波动情况。


二、Beautiful Soup安装（Mac）


安装Beautiful Soup
 
sudo pip3 install beautifulsoup4
 
检验是否安装成功
from bs4 import BeautifulSoup
三、创建一个Beautiful Soup对象 
html_atag = """<html><body><p>Test html a tag example</p>

<a href="http://www. allitebook.com">Home</a>

<a href="http://www.allitebook.com/books">Books</a>

</body>

</html>"""

soup = BeautifulSoup(html_atag, "html5lib")

print(soup.a)
四、查找内容

find()方法
在find()方法中传入节点名，例如ul，这样就可以获取第一个匹配的ul节点的内容，例如：

#input

html_markup = """<div>

<ul id="students">

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

<li class="student">

<div class="name">Lucy</div>

<div class="age">25</div>

</li>

</ul>

</div>"""

student_entries = soup.find("ul")

print(student_entries)

#output

<ul id="students">

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

<li class="student">

<div class="name">Lucy</div>

<div class="age">25</div>

</li>

</ul>

找到ul节点后，通过观察html可以得知，ul下有2个li，每个li下有2个div，则通过student_entries.li可以获取第一个li节点的数据，继续通过student_entries.li.div可以获取第一个li下第一个div的数据，例如：

#input

print(student_entries.li)

#output

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

#input

print(student_entries.li.div)

#output

<div class="name">Carl</div>
继续通过div.string可以获取div的内容：
#input

print(student_entries.li.div.string)

#output

'Carl'
使用正则表达式查找：
find()方法支持根据正则表达式查找内容，例如：
#input

import re

email_id_example ="""<div>The below HTML has the information that has email ids.</div>

abc@example.com

<div>xyz@example.com</div>

<span>foo@example.com</span>"""

soup = BeautifulSoup(email_id_example,"lxml")

emailid_regexp = re.compile("\w+@\w+\.\w+")

first_email_id = soup.find(text=emailid_regexp)

print(first_email_id)

#output

abc@example.com
find_all()方法
find()方法返回第一个匹配的内容，find_all()方法会返回所有匹配的内容列表，例如上面的根据正则表达式查找邮箱地址，将find()方法换成find_all()方法，则会返回所有匹配成功的内容：
#input

all_email_id = soup.find_all(text=emailid_regexp)

print(all_email_id)

#output

['abc@example.com', 'xyz@example.com', 'foo@example.com']
find_parent()方法
find_parent()方法往上查找内容，例如，从第一个li节点上使用find_parent()方法，可以获取父节点的内容：
#input

print(first_student)

#output

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

#input

all_students = first_student.find_parent('ul')

print(all_students)

#output

<ul id="students">

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

<li class="student">

<div class="name">Lucy</div>

<div class="age">25</div>

</li>

</ul>
find_next_sibling()方法
sibling是兄弟姐妹的意思，find_next_sibling()方法获取下一个同级别的兄弟节点，例如：
#input

second_student = first_student.find_next_sibling()

print(second_student)

#output

<li class="student">

<div class="name">Lucy</div>

<div class="age">25</div>

</li>
其它方法还有很多，例如：
find_next()方法
find_all_next()方法
find_previous_sibling()方法
find_all_previous()方法
用法都差不多，这里不再一一赘述，具体请查看官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/#searching-the-tree


五、浏览内容


浏览子节点
使用子节点的标签名即可获取子节点的内容，例如： 
#input

print(first_student)

#output

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

#input

name = first_student.div

print(name)

#output

<div class="name">Carl</div>
浏览父节点
使用.parent属性可以浏览父节点，例如：
#input

print(name.parent)

#output

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>
浏览兄弟节点即同级节点，next_sibling和previous_sibling属性分别获取上一个和下一个兄弟节点。例如：
#input

print(first_student.next_sibling)

#output

<li class="student">

<div class="name">Lucy</div>

<div class="age">25</div>

</li>
 


六、修改内容


修改标签的名字
可以通过.name属性获取某个节点的标签名，同样将某个标签名赋值给.name属性可以很轻易改变标签的名称，例如：
#input

first_student

#output

<li class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</li>

#input

first_student.name

#output

'li'

#input

first_student.name = 'div'

first_student.name

#output

'div'

#input

first_student

#output

<div class="student">

<div class="name">Carl</div>

<div class="age">32</div>

</div>
修改标签的属性
#input

first_student['class'] = 'student_new'

print(first_student)

#output

<div class="student_new">

<div class="name">Carl</div>

<div class="age">32</div>

</div>
注意：如果class属性没有的话，则此操作不会报错，而变为一个新增操作。

删除一个标签的属性
使用del方法可以将一个节点的某个属性删除。例如： 
#input

del first_student['class']

print(first_student)

#output

<div>

<div class="name">Carl</div>

<div class="age">32</div>

</div>
修改标签的内容
使用.string属性可以获取标签的内容值('Carl')，同样，对此属性的赋值操作也可以更该其值，例如：
#input

print(first_student.div.string)

#output

Carl

#input

first_student.div.string = 'carl_new'

print(first_student.div.string)

#output

carl_new
直接删除某个节点
使用decompose()方法可以直接删除某个节点：
#input

print(first_student)

#output

<li class="student">

<div class="name">carl_new</div>

<div class="age">32</div>

</li>

#input

first_student.div.decompose()

print(first_student)

#output

<li class="student">

<div class="age">32</div>

</li>
使用extract()方法同样可以删除某个节点，不过它和decompose()方法不同的是，extract()会返回被删除的这个节点的内容。
 
我们处于大数据时代，对数据处理感兴趣的朋友欢迎查看另一个系列随笔：利用Python进行数据分析 基础系列随笔汇总
 
接下来将利用这篇的Beautiful Soup基础知识完成一个简单的爬虫，分别获取两个网站的书籍信息和价格并组合在一起并输出到csv文件中。有兴趣的朋友欢迎关注本博客，也欢迎大家留言进行讨论。
 
大数据，大数据分析、BeautifulSoup，Beautiful Soup入门，数据挖掘，数据分析，数据处理，pandas，网络爬虫，web scraper

网络爬虫: 从allitebooks.com抓取书籍信息并从amazon.com抓取价格(1): 基础知识Beautiful Soup的更多相关文章

  1. 网络爬虫: 从allitebooks.com抓取书籍信息并从amazon.com抓取价格(3): 抓取amazon.com价格

    通过上一篇随笔的处理,我们已经拿到了书的书名和ISBN码.(网络爬虫: 从allitebooks.com抓取书籍信息并从amazon.com抓取价格(2): 抓取allitebooks.com书籍信息 ...

  2. 网络爬虫: 从allitebooks.com抓取书籍信息并从amazon.com抓取价格(2): 抓取allitebooks.com书籍信息及ISBN码

    这一篇首先从allitebooks.com里抓取书籍列表的书籍信息和每本书对应的ISBN码. 一.分析需求和网站结构 allitebooks.com这个网站的结构很简单,分页+书籍列表+书籍详情页. ...

  3. Python 3网络爬虫开发实战中文PDF+源代码+书籍软件包(免费赠送)+崔庆才

    Python 3网络爬虫开发实战中文PDF+源代码+书籍软件包+崔庆才 下载: 链接:https://pan.baidu.com/s/1H-VrvrT7wE9-CW2Dy2p0qA 提取码:35go ...

  4. Python 网络爬虫 005 (编程) 如何编写一个可以 下载（或叫：爬取）一个网页 的网络爬虫

    如何编写一个可以 下载(或叫:爬取)一个网页 的网络爬虫 使用的系统:Windows 10 64位 Python 语言版本:Python 2.7.10 V 使用的编程 Python 的集成开发环境:P ...

  5. Python简单网络爬虫实战—下载论文名称，作者信息（下）

    在Python简单网络爬虫实战—下载论文名称,作者信息(上)中,学会了get到网页内容以及在谷歌浏览器找到了需要提取的内容的数据结构,接下来记录我是如何找到所有author和title的 1.从sou ...

  6. 网络爬虫：使用Scrapy框架编写一个抓取书籍信息的爬虫服务

      上周学习了BeautifulSoup的基础知识并用它完成了一个网络爬虫( 使用Beautiful Soup编写一个爬虫 系列随笔汇总 ), BeautifulSoup是一个非常流行的Python网 ...

  7. 使用Beautiful Soup编写一个爬虫 系列随笔汇总

    这几篇博文只是为了记录学习Beautiful Soup的过程,不仅方便自己以后查看,也许能帮到同样在学习这个技术的朋友.通过学习Beautiful Soup基础知识 完成了一个简单的爬虫服务:从all ...

  8. python爬虫之Beautiful Soup基础知识+实例

    python爬虫之Beautiful Soup基础知识 Beautiful Soup是一个可以从HTML或XML文件中提取数据的python库.它能通过你喜欢的转换器实现惯用的文档导航,查找,修改文档 ...

  9. 网络爬虫中Fiddler抓取PC端网页数据包与手机端APP数据包

    1 引言 在编写网络爬虫时,第一步(也是极为关键一步)就是对网络的请求(request)和回复(response)进行分析,寻找其中的规律,然后才能通过网络爬虫进行模拟.浏览器大多也自带有调试工具可以 ...

随机推荐

  1. C语言 · 查找整数 · 基础练习

    问题描述 给出一个包含n个整数的数列,问整数a在数列中的第一次出现是第几个. 输入格式 第一行包含一个整数n. 第二行包含n个非负整数,为给定的数列,数列中的每个数都不大于10000. 第三行包含一个 ...

  2. SignalR代理对象异常：Uncaught TypeError: Cannot read property 'client' of undefined 推出的结论

    异常汇总:http://www.cnblogs.com/dunitian/p/4523006.html#signalR 后台创建了一个DntHub的集线器 前台在调用的时候出现了问题(经检查是代理对象 ...

  3. UWP开发之ORM实践：如何使用Entity Framework Core做SQLite数据持久层？

    选择SQLite的理由 在做UWP开发的时候我们首选的本地数据库一般都是Sqlite,我以前也不知道为啥?后来仔细研究了一下也是有原因的: 1,微软做的UWP应用大部分也是用Sqlite.或者说是微软 ...

  4. Xamarin+Prism小试牛刀：定制跨平台Outlook邮箱应用(后续)

    在[Xamarin+Prism小试牛刀:定制跨平台Outlook邮箱应用]里面提到了Microsoft 身份认证,其实这也是一大块需要注意的地方,特作为后续补充这些知识点.上章是使用了Microsof ...

  5. IE8/9 本地预览上传图片

    本地预览的意思是,在选择图片之后先不上传到服务器,而是由一个<img>标签来预览本地的图片,非 IE8/9 浏览器可以从<input type="file"/&g ...

  6. 使用mybatis-generator在自动生成Model类和Mapper文件

    使用mybatis-generator插件可以很轻松的实现mybatis的逆向工程,即,能通过表结构自动生成对应的java类及mapper文件,可以大大提高工作效率,并且它提供了很多自定义的设置可以应 ...

  7. jQuery的属性

    The Write Less , Do More ! jQuery的属性 1. attr(name|properties|key,value|fn) : 设置或返回被选元素的属性值 ①获取属性 < ...

  8. bzoj1079--记忆化搜索

    题目大意:有n个木块排成一行,从左到右依次编号为1~n.你有k种颜色的油漆,其中第i种颜色的油漆足够涂ci个木块.所有油漆刚好足够涂满所有木块,即c1+c2+...+ck=n.相邻两个木块涂相同色显得 ...

  9. animate.css（第三方动画使用方法）

    p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; font: 17.0px Monaco; color: #a5b2b9 } animation 语法: animatio ...

  10. jira的插件开发流程实践

    怎么开头呢,由于自己比较懒,博客一直不怎么弄,以后克己一点,多传点自己遇到的问题和经历上来,供自己以后记忆,也供需要的小伙伴少走点弯路吧 最近公司项目需要竞标一个运维项目,甲方给予了既定的几种比较常用 ...