python 爬虫之BeautifulSoup 二

[复制链接]
yinfeifei 发表于 2017-12-31 06:18:09 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
昨天给大家聊了一下,BeautifulSoup 库的安装,以及一些基本概念,相信大家对于 BeautifulSoup 也已经有了一些简单的了解,那么今天我们就一起来看一下 BeautifulSoup 的一些吊炸天的方法吧。
4 `, R6 I+ K6 ?0 o) o2 o! M, z
) U2 p! h  k# w' odemo
9 S0 f5 L9 b! D. d2 n1 }! U' w; y' y
<html><head><title>This is a python demo page</title></head>
8 e" X2 `: a1 h' G" m<body>
' @. e. D" L  x0 }# J <p class="title"><b>The demo python introduces several python courses.</b></p>' l# p6 T- P$ W6 M! W, t2 H
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
% ]7 D6 ]0 s: _ <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
, }  w4 J  q( M </body></html>
8 ?" @  }8 I/ K
开始之前,大家先来看这样一段代码,这是我截取的一段网页源代码,是用 html 写的,大家将其以 “.html”为后缀名保存,再用浏览器打开,能够看到这样的效果。1 s7 d& h7 p" p0 h' }
5 Y( r3 l: W. K* E& @" @! N
demo.html! x' U4 t  ]0 ~' f
是不是,可以这样说,浏览器,将其接受到的网页源代码,翻译成了我们看到的可视化的界面;是的,其实浏览器的视角和我们人类是不一样的,ta 并不认识我们人类世界的形象实物,ta 认识的只是一段一段的按照一定语法编辑好的类似于 html 这样的代码。但是 ta 能够将这种代码再转化成我们熟悉的图片,文字,图形。所以当我们每次去请求的时候,请求得到的都是这样的网页源代码。其实上面这个网页是真实存在的,是一个教学网站提供的 demo ,大家可以输入网址浏览一下,然后,通过 requests.get() 请求这个页面,看得到的是不是我上面给大家的那段源代码。
1 A0 a7 \$ g* E4 [) [+ j
http://www.python123.io/ws/demo.html
$ O8 S: \2 x8 Q5 v/ O% ?( r
那么这样,我们就需要从网页源代码中找到我们需要的数据,因为你不可能奢望每个人都精通网页设计,然后从一篇一篇的网页源代码中,一点点找到自己想要的数据。" g/ [5 p5 y7 e4 T. n. z7 L
那么,怎么找呢?假设现在我是你的老板,我需要你将这个页面的那个小标题提取出来,你该怎么实现呢?
/ ~) b- y8 J) r! H4 A7 [。。。。。。思考五分钟
8 O6 N# s) h8 _6 \* v2 Z! t6 f  l* U6 u0 |

$ d) Q% K* Z2 S实现方法) j1 s3 ^( G' G' S& b
这是我给出的实现方法(只给图片,不给源码,是希望大家能自己手动输一遍,我机智吧,哈哈哈),大家来看一下这段代码,前面四条语句我就不解释了,应该能看懂,从第五句开始,我将 r.text 的内容煲出了一个 BeautifulSoup 类,也就是 soup ,紧接着,我调用了 soup 的 find 方法,说到这里,什么是 find 方法呢?所谓 find 就是查找,查找标签树中的 ‘p’ 这个标签,不过,这个 find 方法只会查找一个,当找到第一个的时候就猴急猴急的返回,我们通过阅读之前的 html 源码可以发现,要找的那个内容正好是在第一个 p 标签内。所以就将我们需要的返回了,如果我们要找的不是第一个怎么办呢?BeautifulSoup 还提供了一个 find_all()的方法,这个方法会遍历整个标签树,然后将找到的内容以列表的形式返回。' [$ D4 e; B  z) U) k% K, i
拿到了,第一个标签是不够的,因为标签的内容是这样的:5 n3 r* H7 K5 ]% L1 `
1 c% \$ F* [- k0 e6 S. q
<p class="title"><b>The demo python introduces several python courses.</b></p>, ^& Y, ]7 V9 R9 A5 ~

$ \# W9 X( a$ w1 o- K$ _
我们还需要将其中的那段文字内容提取出来,BeautifulSoup 类包含了一些基本元素,string就是期中之一,string代表的是标签之间的非属性字符串内容,我们可以直接通过元素名取出其中的内容,是不是很方便啊
# X* E) q, n# I2 b
0 v2 A0 U' {: W7 y5 m: v3 uBeautifulSoup的元素
! e7 t( @% ]) p4 J( r. D9 h0 J- ~大家应该还记得,response对象有一个 text 元素吧,其实 BeautifulSoup 对象也有一个 text 元素,这个元素就是将 soup 中的所有文本内容提取出来。
+ r3 j3 C, k5 @3 ]4 |& [  N, E
) ?( j$ {/ m, s, n7 _: V5 V6 T, }4 ?
text5 Z6 E+ h* A2 i. o9 t
是不是很神奇,赶紧去试一下吧!

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

发布主题
推荐阅读更多+
阅读排行更多+
用心服务创业者
0851-88611148
周一至周五 9:00-18:00
意见反馈:admin@0851life.com

扫一扫关注我们

Powered by 童码少儿编程 X3.4© 2001-2013 0851life Inc.|网站地图