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。( d; u8 z1 \2 B( ~/ V. X. h

$ A* Q, z0 ~0 s+ L; ndemo
0 k4 P  W8 F( u" f
<html><head><title>This is a python demo page</title></head>
3 j3 T2 E" x2 @3 L+ H9 A: A<body>
. {& {- F2 A- y$ L# z+ w <p class="title"><b>The demo python introduces several python courses.</b></p>
% o) ]5 I4 {8 W$ V, 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:
1 |! v( f: l0 f: o" z <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>' D, E+ x" H5 X
</body></html>
1 S) T4 h! [3 s+ @; J; Z5 t+ q1 c3 M
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。( t4 G& d/ d# a, ?0 k$ O

+ ~: {2 _& X$ j- n; K8 Vdemo.html% ]& L3 h% W7 F, b1 ]
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。% X  s) f  O& B7 ^' D9 B
http://www.python123.io/ws/demo.html
5 L" A+ j4 s  k# s) I9 w" Q
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 P' \( a3 C3 {5 }5 K" B
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?
+ E* D' J2 A  m( O。。。。。。思考五分钟
: K3 [. q. l& y, x/ z
% J- v. h* t  [4 F* ~; V  @" {' R: l/ p8 e& u" h
实现方法
. y6 ~" O+ X, x7 v' 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。
4 S& S! A$ O( M  ~拿到了,第一个标签是不够的,因为标签的内容是这样的:
6 W1 n8 r7 _, A7 G3 |9 t
1 F2 D3 k; |3 e" P. _2 ]
<p class="title"><b>The demo python introduces several python courses.</b></p>8 q9 K- h, H/ Y: |( Y% R7 h1 ?

& F4 g3 B) p6 e* t9 }
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5 }  V7 K0 r# k: Y) b' o

* ]+ a4 j6 ]; _9 h+ qBeautifulSoup的元素
$ Q" _9 o9 n3 _1 y- n% L3 h( p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。; j" b8 L7 b* q5 d5 l/ U+ A5 k

1 u( g9 k( p' c
( e/ L2 p. Y* Q# M3 R- Etext
& \0 I1 Q, d! X$ z& T4 c( y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