bs4模块
设置延迟
涉及到多页数据爬取的时候,最好不要太频繁,可以自己主动设置延迟
for i in range(1, 5): time.sleep(1) get_price_data(i)
爬虫解析库之bs4模块
全名:Beautiful Soup4
是一个可以从HTML或XML文件中提取数据的Python库,它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式,Beautiful Soup会帮你节省数小时甚至数天的工作时间
模块下载
pip3 install beautifulsoup4
配套解析器下载
pip3 install lxml
bs4模块基本使用
from bs4 import BeautifulSoup
构建一个网页数据
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> <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> </body> </html> """
1.构筑一个bs4解析器对象
soup = BeautifulSoup(html_doc, 'lxml')
2.利用对象的内置方法完成一系列操作
必须要掌握
print(soup.a) # 从上往下的第一个a标签 soup.标签名称 print(soup.p.text) # 获取标签内部的文本 包含内部所有的后代标签文本 print(soup.a.attrs) # 获取标签内部所有的属性 字典数据类型 print(soup.a.attrs.get('href')) print(soup.a.get('href')) # 可以简写 省略attrs参数
了解
print(soup.p.children) # 获取标签内部所有的子标签 需要循环取值才可以拿到 print(soup.p.contents) # 获取标签内部所有的元素 了解即可 print(soup.p.parent) # 获取标签的父标签 print(soup.p.parents) # 获取标签的所有祖先标签
bs4核心操作
1.find方法
缺陷:只能找符合条件的第一个数据,该方法的返回结果是一个标签对象
print(soup.find(name='a')) # 查找指定标签名的标签 默认只找符合条件的第一个 print(soup.find(name='a',id='link2')) # 查找具有某个特定属性的标签 默认只找符合条件的第一个 print(soup.find(name='p', class_='title')) # 为了解决关键字冲突 会加下划线区分 print(soup.find(name='p', attrs={'class': 'title'})) # 还可以使用attrs参数 直接避免冲突 print(soup.find(name='a', attrs={'id': 'link3'})) # 还可以使用attrs参数 直接避免冲突 print(soup.find(name='a', attrs={'class': 'c1'})) # class属性查找属于成员运算 有就行 print(soup.find(attrs={'class': 'c1'})) # name参数不写则表示查找所有符合后续条件的标签
2.find_all方法
优势:查找所有符合条件的标签,该方法的返回结果是一个列表
print(soup.find_all('a')) # name字段可以省略 查找的结果是一个列表
(find_all()使用方式与find一致 知识结果数量不一样而已)
3.select方法
需要使用css选择器,该方法的返回结果是一个列表
<p></p> <div> <a></a> <p> <a></a> </p> <div><p></p></div> </div> <p></p> <p></p>
1.标签选择器
直接书写标签名即可
2.id选择器
#d1 相当于写了id='d1'
3.class选择器
.c1 相当于写了class='c1'
4.儿子选择器
div>p 查找标签内部所有的儿子p
5.后代选择器
div p 查找div标签内部所有的后代p
(选择器可以混合使用)
print(soup.select('.title')) # 查找class含有title的标签 print(soup.select('.sister span')) # 查看class含有sister标签内部所有的后代span print(soup.select('#link1')) # 查找id等于link1的标签 print(soup.select('#link1 span')) # 查找id等于link1标签内部所有的后代span print(soup.select('#list-2 .element')) # 查找id等于list-2标签内部所有class为element的标签 print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了
爬取红牛分公司数据
需求:获取红牛所有分公司详细数据(名称,地址,邮箱,电话)
http://www.redbull.com.cn/about/branch
1.查找数据加载方式,得知是直接加载的
2.朝该网页发送请求获取网页数据之后筛选即可
import requests from bs4 import BeautifulSoup # 1.发送get请求获取页面内容 res = requests.get('http://www.redbull.com.cn/about/branch') # 2.解析页面数据 soup = BeautifulSoup(res.text, 'lxml') # 3.研究标签特性 精确查找 # 分公司名称数据 h2_tag_list = soup.find_all('h2') # 查找到所有的h2标签对象 # for tag in h2_tag_list: # print(tag.text) # 使用列表生成式 title_list = [tag.text for tag in h2_tag_list] # 分公司地址数据 p1_tag_list = soup.find_all(name='p', attrs={'class': 'mapIco'}) # for tag in p_tag_list: # print(tag.text) # 使用列表生成式 addr_list = [tag.text for tag in p1_tag_list] # 分公司邮箱数据 p2_tag_list = soup.find_all(name='p', attrs={'class': 'mailIco'}) # for tag in p2_tag_list: # print(tag.text) email_list = [tag.text for tag in p2_tag_list] # 分公司电话数据 p3_tag_list = soup.find_all(name='p', attrs={'class': 'telIco'}) # for tag in p3_tag_list: # print(tag.text) phone_list = [tag.text for tag in p3_tag_list] for i in range(len(title_list)): print(""" 公司名称:%s 公司地址:%s 公司邮箱:%s 公司电话:%s """ % (title_list[i], addr_list[i], email_list[i], phone_list[i]))