我们所抓取的网页源代码一般都是 HTML 格式的文件，只要研究明白 HTML 中

的标签（ Tag ）结构，就很容易进行解析并取得所需数据 。
HTML 网页结构

HTML 网 页是由许多标签（ Tag ）构成，标签需用 。字符括起来 。 大部分标签

成对出现，与开始标签对应的结束标签前多 一个“／ ” 字符，例如 ＜ html＞＜斤itml＞。 少

数标签非成对出现 ，如 ＜i mg src=’’image. g”〉 。 HTML 网页主要结构如下 ：

比较简单的标签如“＜title ＞标题＜／title ＞”，只包含标签名称及其内容，并没有属

性；有些较复杂的标签，除标签本身外，还包含了一些属性， 如“＜img src="data:image.

jpg” alt=”图片说明” width=200px height=320px＞”，其中 的 scr 、 alt 、 width 、 height 都

是 i mg 标签的属性 。
从网页开发界面查看网页源代码

当使用 QQ/ IE/Firefox 浏览器浏览某个网站时，按下 F12 键就会打开网页的开发

界面。我们以 QQ 浏览器为例，第 一 次打开开发界面时会默认停留在开发界面中的

Elements 菜单，此时我们就可以看到该网页的 HTML 源代码 。

以百度搜索网站的首页为例，我们希望从网页中取得该网页的标题名称，那么

我们可以进行如下操作：

在 QQ 浏览器中输入 www.baidu.com ，打开百度网 。 然后我们按 F12 键，

打开网页的开发界面，单击 Elements 菜单，在代码中展开＜head＞标签。

在＜head＞ 标签下，我们可以看到该页面的＜title> </title ＞标签内包含了

我们在页面中看到的“百度一下，你就知道”标题内容。
通过鼠标右键查看源代码

试用 BeautifulSoup 进行网页抓取与解析
如果 需 抓取的数据较复杂，我们可以用 一 个功能更强的网页解析工具

BeautifulSoup 来对特定 的目标进行抓取和分析 。
使用 BeautifulSoup

导入 BeautifulSoup 后，先用 requests 包中的 get 方 法取得网页源码，然后就

可以用 Python 内 建的 html.parser 解析器对源代码进行解析，解析的结果返回到

Beautiful Soup 类对象 S p 中 。语法格式如下 ：

例如：创建 BeautifulSoup 类对象 Sp ，解析“htttp：／／www.baidu.com ”网页源代码 。
import requests

from bs4 import BeautifulSoup

url = 'http://www.baidu.com'

html = requests.get(url)

sp = BeautifulSoup(html.text, 'html.parser')
BeautifulSoup 的属性和方法

BeautifulSoup 常用的属性和方法如下 ： （表中假设己创 建 BeautifulSoup 类的对

象 s p)

select 方法

select 方法通过 css 样式表的方式抓取指定数据 ， 它的返回值是列表。

例如 ：抓取＜title＞ 的内 容。

datal = sp.select (” title”) 
select 方法可以抓取指定的 id ，因为 id 是唯一的 ，所以抓取结果最精确。例如 ：

抓取 id 为 rightdown 的网页源代码内 容，注意 id 前必须力口气” 符号。

datal = sp . select (”#rightdown ”) 
可以通过 css 类的类名 title 进行搜索。例如 ：

还可以使用 tag 标签逐层搜索。例如 ：

为了方便讲解，我们通过下面例子来说明 。假设 HTML 原始码如下 ， 井创 建

Beautiful Soup 对象 sp :
html_doc = """

<html><head><title>页标题</title></head>

<p class="title"><b>文件标题</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>
from bs4 import BeautifulSoup

sp = BeautifulSoup(html_doc,'html.parser') 

print(sp.find('b')) # 返回值：<b>文件标题</b>

print(sp.find_all('a')) 

用 find_all( tag, ｛属性名称：属性内容｝）可以抓取所有符合属性规定的 tag 内 容。

注意其中第二个参数是字典型数据。所以 ，上例功能还可通过下面的代码实现：
print(sp.find_all("a", {"class":"sister"}))

data1=sp.find("a", {"href":"http://example.com/elsie"})

print(data1.text) # 返回值：Elsie 

data2=sp.find("a", {"id":"link2"})

print(data2.text) # 返回值：Lacie

data3 = sp.select("#link3")

print(data3[0].text) # 返回值：Tillie

print(sp.find_all(['title','a']))

data1=sp.find("a", {"id":"link1"})

print(data1.get("href")) #返回值： http://example.com/elsie

吴裕雄--天生自然python学习笔记：python爬虫与网页分析的更多相关文章

  1. 吴裕雄--天生自然HADOOP学习笔记：hadoop集群实现PageRank算法实验报告

    实验课程名称:大数据处理技术 实验项目名称:hadoop集群实现PageRank算法 实验类型:综合性 实验日期:2018年 6 月4日-6月14日 学生姓名 吴裕雄 学号 15210120331 班 ...

  2. 吴裕雄--天生自然MySQL学习笔记：MySQL UPDATE 更新

    如果需要修改或更新 MySQL 中的数据,我们可以使用 SQL UPDATE 命令来操作. 语法 以下是 UPDATE 命令修改 MySQL 数据表数据的通用 SQL 语法: UPDATE table ...

  3. 吴裕雄--天生自然MySQL学习笔记：MySQL 插入数据

    MySQL 表中使用 INSERT INTO SQL语句来插入数据. 可以通过 mysql> 命令提示窗口中向数据表中插入数据,或者通过PHP脚本来插入数据. 以下为向MySQL数据表插入数据通 ...

  4. 吴裕雄--天生自然MySQL学习笔记：MySQL简介

    MySQL 是最流行的关系型数据库管理系统,在 WEB 应用方面 MySQL 是最好的 RDBMS(Relational Database Management System:关系数据库管理系统)应用 ...

  5. 吴裕雄--天生自然 oracle学习笔记：oracle理论学习详解及各种简单操作例子

    1. 数据库的发展过程 层次模型 -->网状模型 -->关系模型 -->对象关系模型 2. 关于数据库的概念 DB:数据库(存储信息的仓库) DBMS:数据库管理系统(用于管理数据库 ...

  6. 吴裕雄--天生自然HADOOP学习笔记：基本环境配置

    实验目的 学习安装Java 学习配置环境变量 学习设置免密码登陆的方法 掌握Linux环境下时间同步的配置 实验原理 1.Java的安装 java是大数据的黄金语言,这和java跨平台的特性是密不可分 ...

  7. 吴裕雄--天生自然HADOOP学习笔记：使用yum安装更新软件

    实验目的 了解yum的原理及配置 学习软件的更新与安装 学习源代码编译安装 实验原理 1.编译安装 前面我们讲到了安装软件的方式,因为linux是开放源码的,我们可以直接获得源码,自己编译安装.例如: ...

  8. 吴裕雄--天生自然HADOOP学习笔记：Shell工具使用

    实验目的 学习使用xshell工具连接Linux服务器 在连上的服务器中进入用户目录 熟悉简单的文件操作命令 实验原理 熟悉shell命令是熟悉使用linux环境进行开发的第一步,我们在linux的交 ...

  9. 吴裕雄--天生自然HTML学习笔记：HTML 布局

    网页布局对改善网站的外观非常重要. 请慎重设计您的网页布局. <!DOCTYPE html> <html> <head>  <meta charset=&qu ...

  10. 吴裕雄--天生自然MySQL学习笔记：MySQL 安装

    所有平台的 MySQL 下载地址为: MySQL 下载:https://dev.mysql.com/downloads/mysql/ 注意:安装过程我们需要通过开启管理员权限来安装,否则会由于权限不足 ...

随机推荐

  1. Linux--Shell传递参数

    参考:http://www.runoob.com/linux/linux-shell-passing-arguments.html

  2. Java static的用法以及原理（06）

    静态:static 用法:是一个修饰符,用于修饰成员(成员变量,成员函数), 当成员被静态修饰后,就多了一个调用方式,除了可以被对象调用外,还可以直接被类名调:类名.静态成员 类名.静态成员 存在:方 ...

  3. Android :TextView使用SpannableString设置复合文本

    TextView通常用来显示普通文本,但是有时候需要对其中某些文本进行样式.事件方面的设置.Android系统通过SpannableString类来对指定文本进行相关处理,具体有以下功能: 1.Bac ...

  4. spring学习之第一个spring程序

    spring的入门程序 1.在Eclipse中创建Java项目,并将spring的四个核心包和依赖包添加到src里,发布到类路劲下,项目如图所示: 2.UserDao程序如下: package com ...

  5. Struts 2的流程

    Struts 2的流程 一.Struts 2 的开发步骤: 在web.xml中定义核心的Filter来拦截用户的请求. 由于Web应用时基于请求/响应架构的应用,所以不管哪个MVC Web框架,都需要 ...

  6. [原]排错实战——解决Tekla通过.tsep安装插件失败的问题

    原总结调试排错troubleshootteklaprocess monitorsysinternals 缘起 最近同事使用.tsep安装Tekla插件的时候,Tekla提示该插件已经存在了,需要卸载后 ...

  7. PTA 自测-4 Have Fun with Numbers

    #include<iostream> #include<string> #include<cstring> #include<vector> using ...

  8. JavaScript详解（三）

    JavaScript的数组 JavaScript中的数组具有相当的灵活性,除了能存储数据外,还提供了一系列的属性和方法.因为JavaScript本身是一个弱类型语言,故其数组不会限制存放数据的类型. ...

  9. 洛谷 P2278 [HNOI2003]操作系统

    题目传送门 解题思路: 一道没啥思维含量的模拟题,但是个人感觉代码实现不简单,可能是我太弱了,花了我6个小时,3次重写. AC代码: #include<iostream> #include ...

  10. 吴裕雄--天生自然 pythonTensorFlow自然语言处理：Seq2Seq模型--测试

    import sys import codecs import tensorflow as tf # 1.参数设置. # 读取checkpoint的路径.9000表示是训练程序在第9000步保存的ch ...