我是靠谱客的博主 忧虑小海豚,最近开发中收集的这篇文章主要介绍Python爬虫基础之BeautifulSoup,觉得挺不错的,现在分享给大家,希望可以做个参考。

概述

一、BeautifulSoup的基本使用

  1 from bs4 import BeautifulSoup
  2 from bs4 import SoupStrainer
  3 import re
  4 
  5 
  6 html_doc = """
  7 <html>
  8  <head>
  9   <title>
 10    The Dormouse's story
 11   </title>
 12  </head>
 13  <body>
 14   <p class="title">
 15    <b>
 16     The Dormouse's story
 17    </b>
 18   </p>
 19   <p class="story">
 20    Once upon a time there were three little sisters; and their names were
 21    <a class="sister" href="http://example.com/elsie" id="link1">
 22     Elsie
 23    </a>
 24    ,
 25    <a class="sister" href="http://example.com/lacie" id="link2">
 26     Lacie
 27    </a>
 28    and
 29    <a class="sister" href="http://example.com/tillie" id="link3">
 30     Tillie
 31    </a>
 32    ; and they lived at the bottom of a well.
 33   </p>
 34   <p class="story">
 35    ...
 36   </p>
 37  </body>
 38 </html>
 39 """
 40 soup = BeautifulSoup(html_doc, "html.parser")
 41 # print(soup.prettify()) # 打印所有标准化html code
 42 print('-----------------------------')
 43 print(soup.title)
 44 print('----------------------------')
 45 print(soup.title.name)
 46 print('----------------------------')
 47 print(soup.title.string)
 48 print('----------------------------')
 49 print(soup.title.parent.name)
 50 print('----------------------------')
 51 print(soup.p)
 52 # item_b = soup.p.
 53 print('----------------------------')
 54 print(soup.p['class'])
 55 print('----------------------------')
 56 print(soup.find_all('a'))
 57 print('----------------------------')
 58 print(soup.find(id='link3'))
 59 print(soup.find(id='link3')['class'])
 60 print(soup.find(id='link3')['href'])  # 打印指定属性文本
 61 print(soup.find(id='link3')['id'])
 62 print(soup.find(id='link3').get_text())  # 打印文本
 63 
 64 # find_all(name, attrs, recursive, text, limit, **kwargs)
 65 # name 参数
 66 soup.find_all('title')
 67 
 68 # keyword参数
 69 soup.find_all(id='link2')
 70 soup.find_all(href=re.compile("elsie"))
 71 soup.find_all(id=True) # 在文档树中查找所有包含 id 属性的tag,无论 id 的值是什么
 72 soup.find_all(href=re.compile("elsie"), id='link1') # 多个指定名字的参数可以同时过滤tag的多个属性
 73 soup.find_all(attrs={"data-foo": "value"}) # 可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:
 74 soup.find_all('a', limit=2)  # 当搜索结果到达limit个数,就停止搜索
 75 
 76 # 按CSS搜索
 77 soup.find_all("a", class_="sister")
 78 soup.find_all(class_=re.compile("itl"))  # class_ 参数同样接受不同类型的 过滤器 ,字符串,正则表达式
 79 
 80 # CSS选择器
 81 title_list = soup.select('head > title') # 查找所有满足条件的元素
 82 title_list_one = soup.select_one('head > title')  # 查找单个满足条件的元素
 83 print(title_list)  # 打印 [<title> The Dormouse's story</title>]
 84 print(title_list[0].string)  # 打印The Dormouse's story<
 85 
 86 # 文档中找到所有<a>标签的链接:
 87 for link in soup.find_all('a'):
 88     print(link.get('href'))
 89 # http://example.com/elsie
 90 # http://example.com/lacie
 91 # http://example.com/tillie
 92 
 93 # find查找元素第一个类样式未story的p标签
 94 p_story = soup.find('p',class_='story')
 95 # print(p_story.a)
 96 
 97 # 使用正则表达式
 98 p_re_all = soup.find_all(re.compile('p'))
 99 print(p_re_all)
100 
101 # find_all查找所有class_=True匹配任何类样式的p标签
102 p_all = soup.find_all('p', class_=True)
103 # print(p_all)  # 打印数组
104 # [<p class="title">
105 # <b>
106 #     The Dormouse's story
107 #    </b>
108 # </p>, <p class="story">
109 #    Once upon a time there were three little sisters; and their names were
110 #    <a class="sister" href="http://example.com/elsie" id="link1">
111 #     Elsie
112 #    </a>
113 #    ,
114 #    <a class="sister" href="http://example.com/lacie" id="link2">
115 #     Lacie
116 #    </a>
117 #    and
118 #    <a class="sister" href="http://example.com/tillie" id="link3">
119 #     Tillie
120 #    </a>
121 #    ; and they lived at the bottom of a well.
122 #   </p>, <p class="story">
123 #    ...
124 #   </p>]

 

二、BeautifulSoup的实际应用

1.解析网易云音乐html源码

这是网易云音乐华语歌曲的分类链接http://music.163.com/#/discover/playlist/?order=hot&cat=华语&limit=35&offset=0,打开Chrome F12的Elements查看到页面源码,我们发现每页的歌单都在一个iframe浮窗上面,每首单曲的信息构成一个li标签,包含歌单图片、

歌单链接、歌单名称等。

首先提取一段html源码出来

 1  <ul class="m-cvrlst f-cb" id="m-pl-container"> 
 2    <li> 
 3     <div class="u-cover u-cover-1"> 
 4      <img class="j-flag" src="http://p1.music.126.net/FGe-rVrHlBTbnOvhMR99PQ==/109951162989189558.jpg?param=140y140" /> 
 5      <a title="【说唱】留住你一面,画在我心间" href="/playlist?id=832790627" class="msk"></a> 
 6      <div class="bottom"> 
 7       <a class="icon-play f-fr" title="播放" href="javascript:;" data-res-type="13" data-res-id="832790627" data-res-action="play"></a> 
 8       <span class="icon-headset"></span> 
 9       <span class="nb">1615</span> 
10      </div> 
11     </div> <p class="dec"> <a title="【说唱】留住你一面,画在我心间" href="/playlist?id=832790627" class="tit f-thide s-fc0">【说唱】留住你一面,画在我心间</a> </p> <p><span class="s-fc4">by</span> <a title="JediMindTricks" href="/user/home?id=17647877" class="nm nm-icn f-thide s-fc3">JediMindTricks</a> <sup class="u-icn u-icn-84 "></sup> </p> </li> 
12    <li> 
13     <div class="u-cover u-cover-1"> 
14      <img class="j-flag" src="http://p1.music.126.net/If644P7ZrfPm_qcvtYyfzg==/18936888765458653.jpg?param=140y140" /> 
15      <a title="鞋子好看|国产自赏摇滚噪音流行" href="/playlist?id=721462105" class="msk"></a> 
16      <div class="bottom"> 
17       <a class="icon-play f-fr" title="播放" href="javascript:;" data-res-type="13" data-res-id="721462105" data-res-action="play"></a> 
18       <span class="icon-headset"></span> 
19       <span class="nb">77652</span> 
20      </div> 
21     </div> <p class="dec"> <a title="鞋子好看|国产自赏摇滚噪音流行" href="/playlist?id=721462105" class="tit f-thide s-fc0">鞋子好看|国产自赏摇滚噪音流行</a> </p> <p><span class="s-fc4">by</span> <a title="原创君" href="/user/home?id=201586" class="nm nm-icn f-thide s-fc3">原创君</a> <sup class="u-icn u-icn-1 "></sup> </p> </li> 
22   </ul>

 开始解析html源码

首先实例化一个BeautifulSoup对象,指定解析器为html.parser,通过BeautifulSoup对象的CSS选择器select_one(),这里用ID选择器搜索到无序列表ul,再通过find_all获取ul下的所有li标签,接着遍历li,获取到歌单的图片链接,歌单列表链接和歌单名称。

 1 from bs4 import BeautifulSoup
 2 
 3 html = '''上面提取的html源码'''
 4 soup = BeautifulSoup(html, 'html.parser')
 5 ul = soup.select_one('#m-pl-container')
 6 for li in ul.find_all('li'):
 7     img_url = li.img['src']
 8     a_msk = li.find('a', class_='msk')
 9     musicList_url = 'http:/%s' % a_msk['href']
10     musicList_name = a_msk['title']
11     print(img_url,musicList_url,musicList_name)  # 打印 http://p1.music.126.net/FGe-rVrHlBTbnOvhMR99PQ==/109951162989189558.jpg?param=140y140 http://playlist?id=832790627 【说唱】留住你一面,画在我心间

 

三、Beautiful Soup 4.4.0

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.详细使用请转移官网 http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

转载于:https://www.cnblogs.com/taotaoblogs/p/7241282.html

最后

以上就是忧虑小海豚为你收集整理的Python爬虫基础之BeautifulSoup的全部内容,希望文章能够帮你解决Python爬虫基础之BeautifulSoup所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(37)

评论列表共有 0 条评论

立即
投稿
返回
顶部