[技术博客] BeautifulSoup4分析网页
[技术博客] BeautifulSoup4分析网页
使用BeautifulSoup4进行网页文本分析
前言
进行网络爬虫时我们需要从网页源代码中提取自己所需要的信息,分析整理后存入数据库中。
在python中,我们向网页发出请求后可以获得字符串形式的源代码,然而众所周知,HTML代码结构相当混乱,想要通过字符串本身的查找方法获取信息基本上不可能。不过好消息是python也为我们提供了正则表达式这一字符串分析利器,通过恰当的编写正则表达式就可以高效准确地分析网页。然而对于一份长长的HTML源代码,从中分析规律、编写正则表达式、验证准确性,这一轮下来需要花费大量的时间。再加上网页的跳转,多个网页的分析,在没有爬取效率的要求下使用正则表达式几乎就是一个煎熬。因此一个成熟的网页爬虫利器BeautifulSoup就此诞生,它是一个可以从HTML或XML文件中提取数据的Python库,能够方便的提取自己所需要的信息。
安装
BeautifulSoup4的安装相当简单,只需在命令行中使用pip安装即可
pip install beautifulsoup4
导入
同样简单易懂
from bs4 import BeautifulSoup
网页解析库
BeautifulSoup4默认支持Python的标准HTML解析库,可以不进行解析库的配置,但是依然建议安装lxml HTML解析库,它比Python的标准HTML解析库更加强大,速度快,容错能力强
使用方法
简易操作
以下面的HTML代码举例
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
创建BeautifulSoup对象以及简易信息获取
from bs4 import BeautifulSoup
# 使用lxml作为解析库
soup = BeautifulSoup(html_doc,’lxml’)
# 获取title标签的所有内容
print(soup.title)
# 获取title标签的名称
print(soup.title.name)
# 获取title标签的文本内容
print(soup.title.string)
# 获取head标签的所有内容
print(soup.head)
# 获取第一个a标签中的所有内容
print(soup.a)
# 获取所有的a标签中的所有内容
print(soup.find_all("a"))
# 获取id="link3"
print(soup.find(id="link3"))
# 获取所有的a标签,并遍历打印a标签中的href的值
for item in soup.find_all("a"):
print(item.get("href"))
# 获取所有的a标签,并遍历打印a标签的文本值
for item in soup.find_all("a"):
print(item.get_text())
通过这些操作就可以进行简易的指定标签内数据的获取
但是还是存在一些更加困难的场景
CSS选择器
BeautifulSoup整合了lxml的CSS选择器功能,使得API更易用。
通过CSS选择器可以更加精确地获取所需内容
我们可以像之前一样查找标签
print(soup.select('a'))
也可以像之前一样查找id
print(soup.select('#link3'))
我们还可以按照层级查找
print(soup.select('table > tr > td'))
我们还可以根据标签内部的属性查找
print(soup.select('a[href="http://example.com/elsie"]'))
我们甚至可以组合上面的方式查找
print(soup.select('div > a[href='http://tieba.baidu.com'] > table #list > tr > td'))
获取选项后我们可以查找其中的子项,输出它的各个属性,也可以直接输出其中包含的文本等
print(soup.select('title')[0].get_text()) # 直接输出文本
print(soup.select('title')[0].attrs['value']) # 输出它的value属性
print(soup.select('title')[0].content) # 输出它的子项
除了这些功能以外BeautifulSoup4还有其他的许多优秀功能等待大家的挖掘,比如.children迭代器、.prettify()格式化输出等。
希望大家能通过BeautifulSoup4的使用大大降低肝度。