python bs4 BeautifulSoup

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。bs4 模块的 BeautifulSoup 配合requests库可以写简单的爬虫。

安装

---

• 命令：pip install beautifulsoup4

解析器

---

• 主要的解析器,以及它们的优缺点如下：
• 

安装命令：

• pip install lxml
• pip install html5lib

requests

---

• requests的底层实现就是urllib, requests能够自动帮助我们解压(gzip压缩的等)网页内容
• 安装命令：pip install requests
• 推荐使用 response.content.deocde() 的方式获取响应的html页面

pandas

---

• 安装命令：pip install pandas
• 基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

数据结构：

• Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数据结构List也很相近，其区别是：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，提高运算效率。
• Time- Series：以时间为索引的Series。
• DataFrame：二维的表格型数据结构。很多功能与R中的data.frame类似。可以将DataFrame理解为Series的容器。以下的内容主要以DataFrame为主。
• Panel ：三维的数组，可以理解为DataFrame的容器。

使用

---

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

• Tag
• NavigableString
• BeautifulSoup
• Comment

Tag：Tag 对象与XML或HTML原生文档中的tag相同，tag中最重要的属性: name和attributes

从网页中获取指定标签、属性值，取值方式：

• 通过标签名获取：tag.name        tag对应的type是<class 'bs4.element.Tag'>
• 通过属性获取：tag.attrs
• 获取标签属性：tag.get('属性名')  或  tag['属性名']

功能标签

• stripped_strings：输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容
• 标准输出页面：soup.prettify()

查找元素：

• find_all(class_="class")    返回的是多个标签
• find(class_="class")    返回一个标签
• select_one()    返回一个标签
• select()    返回的是多个标签
• soup = BeautifulSoup(backdata,'html.parser')　　#转换为BeautifulSoup形式属性
• soup.find_all('标签名'，attrs{'属性名':'属性值'}  )     #返回的是列表
• limitk 控制 find_all 返回的数量
• recursive=Flase 返回tag的直接子元素

demo

---

import sys
import io
import requests
from bs4 import BeautifulSoup as bs
import pandas as pd
import numpy as np
from py_teldcore import sqlserver_db as db

sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='gb18030')

url = "http://www.tianqihoubao.com/lishi/hefei/month/201812.html"

def get_soap():
    try:
        r = requests.get(url)
        soap = bs(r.text, "lxml")
        return soap
    except Exception as e:
        print(e)
        return "Request Error"

def save2cvs(data, path):
    result_weather = pd.DataFrame(data, columns=['date', 'tq', 'temp', 'wind'])
    result_weather.to_csv(path,  encoding='gbk')
    print('save weather sucess')

def save2mssql(data):
    sql = "Insert into Weather(date, tq, temp, wind) values(%s, %s, %s, %s)"
    data_list = np.ndarray.tolist(data)

    # sqlvalues = list()
    # for data in data_list:
    #     sqlvalues.append(tuple(data))

    sqlvalues = [tuple(iq) for iq in data_list]

    try:
        db.exec_sqlmany(sql, sqlvalues)
    except Exception as e:
        print(e)

def get_data():
    soap = get_soap()
    print(soap)
    all_weather = soap.find("div", class_="wdetail").find("table").find_all("tr")
    data = list()
    for tr in all_weather[1:]:
        td_li = tr.find_all("td")
        for td in td_li:
            s = td.get_text()
            data.append("".join(s.split()))

    res = np.array(data).reshape(-1, 4)
    return res

if __name__ == "__main__":
    data = get_data()
    save2mssql(data)
    print("save2 Sqlserver ok!")

　　

参考资料

---

• https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
• https://www.jianshu.com/p/95b1bc3b2f73
• http://cn.python-requests.org/zh_CN/latest/
• https://blog.csdn.net/qq_31903733/article/details/85269367