基于MOOC嵩天《Python网络爬虫与信息提取》视频学习记录——第二周：Beautiful Soup库

文章目录

• 1.Beautiful Soup库基本使用方法
• Beautiful Soup解析器
• 2.Beautiful Soup库的基本元素
• 1)Tag
• 2)name
• 3)attrs
• 4)string
• 5)comment
• Beautiful Soup库的理解
• 3.基于bs4库的html遍历方法
• 标签树的下行遍历
• 标签树的上行遍历
• 标签树的平行遍历
• 4.基于bs4库的html格式输出
• 信息组织与提取方法

1.Beautiful Soup库基本使用方法

以requests库get方式解析：

import requests
from bs4 import BeautifulSoup
try:
	kv = {'user_Agent':'Mozilla/5.0'}
	demo = requests.get('http://www.ugirl.com',headers = kv)
	demo.raise_for_status()
	soup = BeautifulSoup(demo.content,'html.parser')		
	print(soup.prettify())		#以html文本格式打印
except:
	print('解析错误')

解析结果如下：

以打开源代码方式解析：

from bs4 import BeautifulSoup
try:
    soup = BeautifulSoup(open('D:\\ugirl.html',encoding='UTF8'),'html.parser')
    print(soup.prettify())		#以html文本格式打印
except:
    print('解析错误')

解析结果同上。

Beautiful Soup解析器

2.Beautiful Soup库的基本元素

1)Tag

title标签是页面在浏览器左上方显示的信息。

import requests
from bs4 import BeautifulSoup
try:
	kv = {'user_Agent':'Mozilla/5.0'}
	demo = requests.get('http://www.ugirl.com',headers = kv)
	demo.raise_for_status()
	soup = BeautifulSoup(demo.content,'html.parser')		
	print(soup.title)
	print(type(soup.title))
except:
	print('解析错误')

运行结果：

打印a标签：

print(soup.a)		#当存在多个a标签时只获取第一个a标签
print(type(soup.a))

运行结果：

2)name

打印a标签的名字：

print(soup.a.name)
print(type(soup.a.name))

运行结果：

打印a标签父亲的名字(包含a标签的上一层标签)：

print(soup.a.parent.name)	

运行结果：

3)attrs

打印a标签的属性：

print(soup.a.attrs)	

运行结果：

4)string

打印非属性字符长：

print(soup.a.string)

运行结果：

该网站无非属性字符串。

5)comment

打印注释：

newsoup =BeautifulSoup('<b><!--This is a comment--></b><p>This is not a comment,</p>','html.parser')
print(newsoup.b.string)
print(type(newsoup.b.string))
print(new)

运行结果：

Beautiful Soup库的理解

3.基于bs4库的html遍历方法

标签树的下行遍历

import requests
from bs4 import BeautifulSoup
try:
    kv = {'user_Agent':'Mozilla/5.0'}
    demo = requests.get('https://handmaid.cn/?ad_id=751',headers = kv)
    demo.raise_for_status()
    soup = BeautifulSoup(demo.content,'html.parser')
    print(soup.head.contents)		#把head标签的儿子结点放入列表中
    print(type(soup.head.contents))
    print(len(soup.head.contents))
except:
    print('爬取失败')

运行结果：

可以使用for i in soup.head.contents进行遍历。

标签树的上行遍历

import requests
from bs4 import BeautifulSoup
try:
    kv = {'user_Agent':'Mozilla/5.0'}
    demo = requests.get('https://handmaid.cn/?ad_id=751',headers = kv)
    demo.raise_for_status()
    soup = BeautifulSoup(demo.content,'html.parser')
    for parent in soup.a.parents:
        if parent is None:
            print(parent)
        else:
            print(parent.name)		#打印a标签所有先辈的名字
except:
    print('爬取失败')

标签树的平行遍历

注意：平行遍历必须发生在同一个父节点下的各节点间

可以使用for in 进行遍历。

4.基于bs4库的html格式输出

prettify( )：为html文本加入换行符，可以使用print打印

import requests
try:
	from bs4 import BeautifulSoup
	kv = {'user_Agent':'Mozilla/5.0'}
	demo = requests.get('https://handmaid.cn/?ad_id=751',headers = kv)
	soup = BeautifulSoup(demo.content,'html.parser')
	print(soup.prettify())
except:
	print('爬取错误')

运行结果：

可以单独打印a标签：

print(soup.a.prettify())

运行结果：

信息组织与提取方法

find_all()