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。
# u& B* U. V5 v% X6 |7 [( W4 y0 {/ D
demo
% R. f' ]& B( j% N8 S2 _
<html><head><title>This is a python demo page</title></head>7 s- w8 m; m5 @7 G
<body>
! s- X/ P0 H; Z! s4 J0 Q <p class="title"><b>The demo python introduces several python courses.</b></p>
6 m# I8 m- p7 a+ M% \6 m1 _ <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:9 g% A: Y7 @4 [% e. {3 Z; B
<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' ~( \6 P9 d- }4 z5 i9 l3 _9 {: a
</body></html>- f2 V4 }- K+ T0 v# n$ D$ V
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。( k( J5 j) f8 D4 u2 K' g1 [
# q# {  ]/ ~9 p" s
demo.html: J7 a+ M& K( K+ D. M0 k3 [# b* ^: i
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。* p4 u" v  o0 m0 U; t% w3 B
http://www.python123.io/ws/demo.html9 T+ M  |" F, X7 ^" E4 h
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。
2 u' {  ~+ T: [$ h0 P4 X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?2 X3 c) J5 U6 z) c6 f" k
。。。。。。思考五分钟
4 @3 W  h) l5 s* x9 N6 N7 d
7 i) A$ |% D  x$ C/ Y: ]0 g  s5 f2 d( L  ~: s) Z
实现方法
. {7 c& U5 U5 Z4 T9 E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。
# S4 B" ^. f  B& X* i4 l拿到了,第一个标签是不够的,因为标签的内容是这样的:% s' }0 v6 N! ^; F" Y& _

7 C) y5 M5 n8 `) _! \4 ?( e$ L
<p class="title"><b>The demo python introduces several python courses.</b></p>. k$ i& V9 b. g& n6 n

; w6 ]" E( R: ]3 Z* o" F
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& ?4 l" l* F& X1 u' f) p% C; G- v

' k$ v& T, N- _* X4 @" n* zBeautifulSoup的元素4 ]$ W2 w' O9 i9 ~1 V2 A
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。
5 B) [$ h0 x3 l+ Z
7 z: {& k6 r; s) \$ t- K8 ^4 M$ \9 s0 @
text' o* W7 k; y& ~: C, F6 n
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