第三方模块的安装
1、request库的安装与使用
requests库本质上就是模拟了我们用浏览器打开一个网页，发起请求是的动作。它能够迅速的把请求的html源文件保存到本地
-
安装方式</br>
“win+R”输入“cmd”打开命令提示符面板，键入“pip install requests”,安装pip第三方模块。 -
查看安装结果</br>
“win+R”输入“cmd”打开命令提示符面板，键入“pip list”,查看通过pip所安装的所有第三方模块。 - 简单使用</br>
- 首先我们先导入requests这个包
import requests</br></br>
我们来吧百度的index页面的html源码抓取到本地，并用r变量保存</br>
注意这里，网页前面的http://一定要写出来，它并不能像真正的浏览器一样帮我们补全http协议
r = requests.get("http://www.baidu.com")
将下载到的内容打印一下：
print(r.text)
- 所获取的百度源码文件
2、bs4库的安装与使用
bs4库 是解析、遍历、维护、“标签树“的功能库。
-
安装方式</br>
“win+R”输入“cmd”打开命令提示符面板，键入“pip install beautifulsoup4”,安装pip第三方模块。 -
查看安装结果</br>
“win+R”输入“cmd”打开命令提示符面板，键入“pip list”,查看通过pip所安装的所有第三方模块。 -
简单使用</br>
1、以一段HTML代码将作为例子
<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
http://example.com/elsie" class="sister" id="link1">Elsie,
http://example.com/lacie" class="sister" id="link2">Lacie and
http://example.com/tillie" class="sister" id="link3">Tillie;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>
</html>
2、下面我们开始用bs4库解析这一段html网页代码。
#导入bs4模块
from bs4 import BeautifulSoup
soup = BeautifulSoup(html，'html.parser')
#输出结果
print(soup.prettify())
'''
OUT:
# <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 class="sister" href="http://example.com/elsie" id="link1">
# Elsie
# </a>
# ,
# <a class="sister" href="http://example.com/lacie" id="link2">
# Lacie
# </a>
# and
# <a class="sister" href="http://example.com/tillie" id="link2">
# Tillie
# </a>
# ; and they lived at the bottom of a well.
# </p>
# <p class="story">
# ...
# </p>
# </body>
# </html>
'''
通俗一点说就是： bs4库把html源代码重新进行了格式化，
从而方便我们对其中的节点、标签、属性等进行操作。
3、BS4库的解析器的安装与使用
我们所选用的是lxml解析器
-
安装</br>
pip install lxml -
具体使用</br>
1、依旧使用上一节HTML文档</br>
2、使用lxml进行解析
import bs4
#首先我们先将html文件已lxml的方式做成一锅汤
soup = bs4.BeautifulSoup(open('Beautiful Soup 爬虫/demo.html'),'lxml')
#我们把结果输出一下，是一个很清晰的树形结构。
#print(soup.prettify())
'''
OUT:
<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 class="sister" href="http://example.com/elsie" id="link1">
Elsie
</a>
,
<a class="sister" href="http://example.com/lacie" id="link2">
Lacie
</a>
and
<a class="sister" href="http://example.com/tillie" id="link3">
Tillie
</a>
;
and they lived at the bottom of a well.
</p>
<p class="story">
...
</p>
</body>
</html>
'''
