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。
6 w4 J( w) v7 P1 V9 B( k# w/ m, j/ {7 e) k; H
demo) A2 x1 j5 f4 `8 A: U; f
<html><head><title>This is a python demo page</title></head>$ R* u& ?2 {$ `( z
<body>6 d; f- I. z* M. y8 i, v
<p class="title"><b>The demo python introduces several python courses.</b></p>
' u8 w2 U! n, s* w: Y1 X <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
' A! w" ~0 @8 s# d* 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>8 x+ O8 ]" n% e, `8 }0 e
</body></html>1 J% R4 R+ L# a- u/ ?4 v$ i
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。8 j2 Q' [, B" ]* {' v9 K* Z$ B

* E8 p, G5 v7 j: Xdemo.html* C! P8 T; }/ k' j( d
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。
) `3 p$ {6 W; i* z# Z, L: r1 r- p
http://www.python123.io/ws/demo.html. N  @, _. Y6 O; l, M6 R2 Q6 K9 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。1 f2 b0 I3 ?! G/ z3 g
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?" k, [* k* f2 V7 }1 W
。。。。。。思考五分钟$ s" q7 B4 K& j: N7 U

8 M1 }: G' ]: j. z5 y5 X. ?
. ~6 Q8 k. f  f; T! {+ ]9 n实现方法
: O  G* _+ k( k1 v6 S: u  @7 m! l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。1 d6 y1 D7 ~; F& _( H' L: c
拿到了,第一个标签是不够的,因为标签的内容是这样的:5 D5 ^& l! C9 \

" \8 a& r3 c9 u( {0 R; \
<p class="title"><b>The demo python introduces several python courses.</b></p>3 }/ z' k+ \% A$ p9 q

# p9 \( \9 v" s3 R' s5 e
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. @. k2 i3 ]: O9 r* j

0 V) |$ I" M! l' N- v4 q& a1 z  gBeautifulSoup的元素
8 g4 h0 T4 t1 C( |8 V: v  ~1 ?0 L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。
& u+ t* J& |* |, z4 ?% x: {: s% l  C9 T0 a2 {* ~

% S+ b* L8 m4 Stext
- B  F, P/ U# e7 }7 t2 Q- z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