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。
0 w" |5 @1 m9 p2 k
0 p& p: L, u$ Z- q) D2 l. [demo4 f( e( `3 [% r- Y
<html><head><title>This is a python demo page</title></head>5 D: q2 b- ?/ X% s
<body>4 G7 I3 l. L8 x# W
<p class="title"><b>The demo python introduces several python courses.</b></p>9 X( z# s2 h9 G: H1 j* }& x: q- a. Z
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
! m3 t. T1 R0 v8 M6 j% u <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>. e& w* |* g. J- q* Y+ ~- R
</body></html>
) W7 f# T+ d. P; q' u
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。
% S5 S: N% w' d& |$ h& R8 V3 A6 I5 D% [. }/ O
demo.html! }# L4 W( h2 d0 R; b( 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。
' E- S2 M+ A2 ]! c3 R' K
http://www.python123.io/ws/demo.html$ P) T4 M9 R4 Y1 x2 D5 [9 r2 `: N
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。' r& J; {" K3 q4 U: M: 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?+ S( N4 F# t' g1 q
。。。。。。思考五分钟
2 `% j. Z8 }  |# |5 E1 |9 E9 p# N3 u* m7 I' S3 f" D; Q

4 Y5 N6 q6 ?# p5 b: R( T实现方法
: d) b' ]  F  @! j! q7 k3 y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。
" t& n7 V8 J" C# W- P- T( i拿到了,第一个标签是不够的,因为标签的内容是这样的:
7 v3 C* [2 r/ V& [
# g- e/ w4 x3 m6 @% r# p) d
<p class="title"><b>The demo python introduces several python courses.</b></p>
6 `# a$ m1 q- U# l: q, h9 [6 Y3 k$ i6 K/ F9 m9 \
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
: Y. ]  {. H# J
3 w4 I6 R$ f7 M3 q, j% rBeautifulSoup的元素
* v' U1 T. V7 X3 M$ @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。) V; v: Q& \" P( N  ]

; M; @6 b( V3 l& O* u2 ?$ h$ B! B1 d  o7 L9 J* E# l: R) V7 G
text: U1 r0 L" g2 h9 Q# l
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