此系列笔记来源于
中国大学MOOC-北京理工大学-嵩天老师的Python系列课程
4. Beautiful Soup库入门
Beautiful Soup库可对HTML/XML格式进行解析并提取相关信息
- 安装:管理员方式打开CMD-输入
pip install beautifulsoup4
小测:
获得链接的HTML代码内容
使用beautifulsoup解析 - Beautiful Soup库的基本元素
Beautiful Soup库是解析/遍历/维护"标签熟"的功能库,引用方式:
from bs4 import BeautifulSoup
import bs4
Beautiful Soup库的4种解析器:
Beautiful Soup类的基本元素:
bs类基本元素 -
Tag标签
任何存在于HTML语法中的标签都可用**soup.<tag>访问获得,存在多个取第一个
-
Tag的name
每个<tag>有自己的名字,通过<tag>.name获取,字符串类型
-
Tag的attrs
-
Tag的NavigableString
-
Tag的Comment
-
基于bs4库的HTML内容遍历方法
三种遍历方式-
下行遍历
属性
遍历 -
上行遍历
属性
遍历 -
平行遍历
属性
遍历
-
- 基于bs4库的HTML格式输出
使用prettify()方法,为HTML文本<>及其内容增加''\n'并且可用于标签/方法
5.信息组织与提取方法
- 信息标记的三种形式及比较
XML(eXtensible Markup Language)是最早的通用信息标记语言,可扩展性好,但繁琐;标签由名字和属性构成,形式有:
<name>...</name>
<name />
<!-- -->
JSON(JavaScript Objection Notation)适合程序处理,较XML简洁;有类型的键值对,形式有:
"key":"value"
"key":["value1","value2"]
"key":{"subkey":"subvalue"}
YAML(YAML Ain't Markup Language)文本信息比例最高,可读性好;无类型的键值对,形式有:
key:value
key:#Comment
-value1
-value2
key:
subkey:subvalue
- 信息提取的一般方法
- 完整解析信息的标记形式再提取关键信息,需要标记解析器;优点是解析准确,缺点是提取繁琐且慢
- 无视标记形式,直接搜索关键信息;优点是提取速度快,缺点是准确性与信息内容相关
- 结合两种方法,需要标记解析器和文本搜索功能
- 基于bs4库的HTML内容查找方法
<>.find_all(name,attrs,recursive,string,**kwargs)`
#返回一个列表类型,存储查找的结果
#name:对标签名称的检索字符串
#attrs:对标签属性值的检索字符串,可标注属性检索
#recursive:是否对子孙全部搜索,默认True
#string:对字符串域进行检索
由find_all()扩展的七个方法:
扩展方法
6.实例一:中国大学排名爬虫
步骤1:从网络上获取大学排名网页内容getHTMLText()
步骤2:提取网页内容中信息到合适的数据结构fillUnivList()
步骤3:利用数据结构展示并输出结果printUnivLise()
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r = requests.get(url,timeout=30)
r.raise_for_status()
r.encoding=r.apparent_encoding
return r.text
except:
return "error"
def fillUnivList(ulist,html):
soup=BeautifulSoup(html,"html.parser")
for tr in soup.find('tbody').children:
if isinstance(tr,bs4.element.Tag):
tds = tr('td')
ulist.append([tds[0].string,tds[1].string,tds[3].string])
def printUnivList(ulist,num):
tplt="{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","学校名称","总分",chr(12288)))
for i in range(num):
u=ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
def main():
uinfo = []
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
html = getHTMLText(url)
fillUnivList(uinfo,html)
printUnivList(uinfo,20)
main()
