Python【BeautifulSoup解析和提取网页数据】

【解析数据】

使用浏览器上网，浏览器会把服务器返回来的HTML源代码翻译为我们能看懂的样子

在爬虫中，也要使用能读懂html的工具，才能提取到想要的数据

【提取数据】是指把我们需要的数据从众多数据中挑选出来

点击右键-显示网页源代码，在这个页面里去搜索会更加准确

安装

pip install BeautifulSoup4（Mac电脑需要输入pip3 install BeautifulSoup4)

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

解析数据

在括号中，输入两个参数，

第0个参数，必须是字符串类型；

第1个参数是解析器 这里使用用的是一个Python内置库：html.parser

 import requests

 from bs4 import BeautifulSoup
 #引入BS库

 res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html')

 html = res.text

 soup = BeautifulSoup(html,'html.parser') #把网页解析为BeautifulSoup对象

 print(type(soup)) #查看soup的类型  soup的数据类型是 <class 'bs4.BeautifulSoup'>  soup是一个BeautifulSoup对象。

 print(soup)
 # 打印soup

response.text和soup 打印出的内容一模一样

它们属于不同的类：<class 'str'> 与<class 'bs4.BeautifulSoup'> 前者是字符串，后者是已经被解析过的BeautifulSoup对象

打印出来一样的原因：BeautifulSoup对象在直接打印的时候会调用对象内的str方法，所以直接打印 bs 对象显示字符串是str的返回结果

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

提取数据

find()与find_all()

是BeautifulSoup对象的两个方法

可以匹配html的标签和属性用法一样

区别

find()只提取首个满足要求的数据

find_all()提取出的是所有满足要求的数据

 import requests

 from bs4 import BeautifulSoup

 url = 'https://localprod.pandateacher.com/python-manuscript/crawler-html/spder-men0.0.html'

 res = requests.get (url)

 print(res.status_code)

 soup = BeautifulSoup(res.text,'html.parser')

 item = soup.find('div') #使用find()方法提取首个<div>元素，并放到变量item里。

 print(type(item)) #打印item的数据类型

 print(item)       #打印item

 200

 <class 'bs4.element.Tag'>  #是一个Tag类对象

 <div>大家好，我是一个块</div>

 items = soup.find_all('div') #用find_all()把所有符合要求的数据提取出来，并放在变量items里

 print(type(items)) #打印items的数据类型

 print(items)       #打印items

 200

 <class 'bs4.element.ResultSet'>   #是一个ResultSet类的对象

 [<div>大家好，我是一个块</div>, <div>我也是一个块</div>, <div>我还是一个块</div>]  

 #列表结构，其实是Tag对象以列表结构储存了起来，可以把它当做列表来处理

---

soup.find('div',class_='books')

class_  和python语法中的类 class区分，避免程序冲突

还可以使用其它属性，比如style属性等

括号中的参数：标签和属性可以任选其一，也可以两个一起使用，这取决于我们要在网页中提取的内容

 import requests # 调用requests库

 from bs4 import BeautifulSoup # 调用BeautifulSoup库

 res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html')# 返回一个Response对象，赋值给res

 html= res.text# 把Response对象的内容以字符串的形式返回

 soup = BeautifulSoup( html,'html.parser') # 把网页解析为BeautifulSoup对象

 items = soup.find_all(class_='books') # 通过定位标签和属性提取我们想要的数据

 print(type(items)) #打印items的数据类型 #items数据类型是<class 'bs4.element.ResultSet>， 前面说过可以把它当做列表list

 #for循环遍历列表

 for item in items:                     

     print('想找的数据都包含在这里了：\n',item) # 打印item

 print(type(item))   #<class 'bs4.element.Tag'> 是Tag对象

#####################################################################

Tag对象

find()和find_all()打印出来的东西还不是目标数据，里面含着HTML标签

xxxxx

items = soup.find_all(class_='books') # 通过定位标签和属性提取我们想要的数据

for item in items:

print(type(item))

数据类型是<class 'bs4.element.Tag'>，是Tag对象

此时，需要用到Tag对象的三种常用属性与方法

此外，提取Tag对象中的文本，用到Tag对象的另外两种属性——Tag.text，和Tag['属性名']

 import requests # 调用requests库

 from bs4 import BeautifulSoup # 调用BeautifulSoup库

 res =requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html')

 # 返回一个response对象，赋值给res

 html=res.text

 # 把res解析为字符串

 soup = BeautifulSoup( html,'html.parser')

 # 把网页解析为BeautifulSoup对象

 items = soup.find_all(class_='books')   # 通过匹配属性class='books'提取出我们想要的元素

 for item in items:                      # 遍历列表items

     kind = item.find('h2')               # 在列表中的每个元素里，匹配标签<h2>提取出数据

     title = item.find(class_='title')     #  在列表中的每个元素里，匹配属性class_='title'提取出数据

     brief = item.find(class_='info')      # 在列表中的每个元素里，匹配属性class_='info'提取出数据

     print(kind.text,'\n',title.text,'\n',title['href'],'\n',brief.text) # 打印书籍的类型、名字、链接和简介的文字

##################################################################

对象的变化过程

开始用requests库获取数据，

到用BeautifulSoup库来解析数据，

再继续用BeautifulSoup库提取数据，

不断经历的是我们操作对象的类型转换。

################################################################

提取扩展

嵌套提取好几层：

find('ul',class_='nav').find('ul').find_all('li')

#提取个人理解：

每一个find的属性或者标签都是对应的层

---