目录

  • 前言
    • 一、BeautifulSoup的基本语法
    • 二、爬取网页图片
    • 扩展学习
  • 后记

前言

本章同样是解析一个网页的结构信息

在上章内容中（python网络爬虫之解析网页的正则表达式(爬取4k动漫图片)[三]）我们知道了可以使用re正则表达式来解析一个网页。

但是这样的一个解析方式可能对大部分没有正则表达式的人来说就比较困难了，

额，就算会的，也会嫌麻烦。比如me（￣︶￣）↗

那么我们本章同样是学习解析，只不过这个解析的方式不需要特别的一个学习功底。

能够分析一个网页的结构就行了

φ(*￣0￣)

本次的流程：

  1. 学习BeautifulSoup的基本语法
  2. 开始分析爬取

一、BeautifulSoup的基本语法

建议直接看官方文档
如果有什么进阶性的需求这章内容不能解决的话，就可以看官方文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

下载lxml模块

解析器的区别可以参考文档上面的资料。

下好之后就可以测试了：
先给大家解析一波：

全部代码

"""

学习使用beautifulsoup的语法

"""

from bs4 import BeautifulSoup

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's story</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>

"""

# 1、实例化一个BeautifulSoup对象,并标明用什么解释器去解释（lxml）

 soup = BeautifulSoup(html_doc, "lxml")

# 按照格式化的内容排版 （优化排版）

 soup.prettify()

 print(soup)
# 2、获取特定的标签 (title) ps:如果有多个就返回第一个

 print(soup.title)
# 3、获取特定的标签 (title) 里面的值

 print(soup.title.string)
# 4、查询特定的标签 里面的值

 print(soup.find("a"))
# 5、查询全部标签 以ResultSet的形式

 print(soup.find_all("a")) # 查询所有标签为a的

 print(soup.find_all("a", attrs={"id": "link2"})) # 查询所有标签为a的,并且属性为id,属性值为link2

 print(soup.find_all(attrs={"id":"link3"})) # 查询所有属性为id,属性值为link3的

 print(soup.find_all(id="link1")) # 查询所有属性为id,属性值为link1的


# 6、获取父节点

 print(soup.find_all(id="link1")[0].parent.name) # 它的属性为ResultSet

 print(soup.find("a").parent.name)
# 7、获取子节点

 print(soup.find("p",attrs={"class":"story"}).contents) # 遍历了所有内容

 print(soup.find("p",attrs={"class":"story"}).clidren) # 有格式的遍历

 print(soup.find("p",attrs={"class":"story"}).descendants) # 遍历子孙节点
# 8、获取筒节点的上下节点

 print(soup.find("p", attrs={"class", "story"}))

 print(soup.find(id="link2").next_sibling) # 下一个节点

 print(soup.find(id="link2").previous_sibling.previous_sibling) # 上一个节点

 print(soup.find(id="link2").previous_siblings) # 下面所有节点

 print(soup.find(id="link2").previous_siblings) # 上面所有节点
# 9、获取一个标签中的属性值

 print(soup.find("a")["id"]) # 第一种方式

 print(soup.find("a").get("id"))# 第二种方式
# 10、获取一个标签中的所有属性值

 print(soup.find("a").attrs) # 全部属性

 print(soup.find("a").attrs["class"]) # 获取全部属性中的class属性的值

 print(soup.find("a").attrs.get("id"))# 获取全部属性中的id属性的值

二、爬取网页图片

这个仅仅就是用来学习的一个内容，学会了就可以自己去爬自己刚兴趣的东西

爬取的对象：https://maoyan.com/board/4

分析：

代码解读：

全部代码

"""

BeautifulSoup综合案例：爬取“猫眼电影的排行榜”

"""

import requests

from bs4 import BeautifulSoup

import os

headers = {

    "Cookie":"__mta=55342740.1575370883618.1575371366305.1575371383145.4; uuid_n_v=v1; uuid=3DACA12015BC11EABE1E1379EFD48C6B2BC02A509AA141CD821BF91F9AF4D24A; _csrf=0f7d373e4f690e2a84b3d5383f941f44faa7316e764ded1cf46f088e34b40614; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1575370883; _lxsdk_cuid=16ecb6c014ec8-059803946267d8-2393f61-144000-16ecb6c014ec8; _lxsdk=3DACA12015BC11EABE1E1379EFD48C6B2BC02A509AA141CD821BF91F9AF4D24A; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1575371383; _lxsdk_s=16ecb6c014e-d7d-844-f5b%7C%7C15",

    "User-Agent": "Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14"

}

response = requests.get("https://maoyan.com/board/4", headers=headers)

# 获取当前根目录

root = os.getcwd()

# 在根目录中创建文件夹"第1页"

os.mkdir("第1页")

# 改变当前目录

os.chdir("第1页")

if response.status_code == 200:

    # 解析网页

    soup = BeautifulSoup(response.text, "lxml")

    imgTags = soup.find_all("img", attrs={"class": "board-img"})

    print(imgTags)

    for imgTag in imgTags:

        name = imgTag.get("alt")

        src = imgTag.get("data-src")

        resp = requests.get(src, headers=headers)

        with open(f"{name}.png", "wb") as f:

            f.write(resp.content)

        print(f"{name} {src} 保存成功")

扩展学习

"""

BeautifulSoup综合案例：

爬取“最好大学网”排行

"""

import requests

from bs4 import BeautifulSoup

headers = {

    "User-Agent": "Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14"

}

response = requests.get("http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html", headers=headers)

response.encoding = "utf-8"

if response.status_code == 200:

    soup = BeautifulSoup(response.text, "lxml")

    trTags = soup.find_all("tr", attrs={"class": "alt"})

    for trTag in trTags:

        id = trTag.contents[0].string

        name = trTag.contents[1].string

        addr = trTag.contents[2].string

        sco = trTag.contents[3].string

        print(f"{id} {name} {addr} {sco}")

后记

本章的内容也是解析数据，但是对于正则表达式来说的话实在是方便太多了，

下一章的内容还是解析，不过是使用xpath解析

如果感觉本章写的还不错的话，不如。。。。。(～￣▽￣)～ ，(´▽`ʃ♡ƪ)

python网络爬虫之解析网页的BeautifulSoup(爬取电影图片)[三]的更多相关文章

  1. python网络爬虫之解析网页的正则表达式(爬取4k动漫图片)[三]

    前言 hello,大家好 本章可是一个重中之重,因为我们今天是要爬取一个图片而不是一个网页或是一个json 所以我们也就不用用到selenium模块了,当然有兴趣的同学也一样可以使用selenium去 ...

  2. python网络爬虫之解析网页的XPath(爬取Path职位信息)[三]

    目录 前言 XPath的使用方法 XPath爬取数据 后言 @(目录) 前言 本章同样是解析网页,不过使用的解析技术为XPath. 相对于之前的BeautifulSoup,我感觉还行,也是一个比较常用 ...

  3. Python 网络爬虫 007 (编程) 通过网站地图爬取目标站点的所有网页

    通过网站地图爬取目标站点的所有网页 使用的系统:Windows 10 64位 Python 语言版本:Python 2.7.10 V 使用的编程 Python 的集成开发环境:PyCharm 2016 ...

  4. （转）Python网络爬虫实战：世纪佳缘爬取近6万条数据

    又是一年双十一了,不知道从什么时候开始,双十一从“光棍节”变成了“双十一购物狂欢节”,最后一个属于单身狗的节日也成功被攻陷,成为了情侣们送礼物秀恩爱的节日. 翻着安静到死寂的聊天列表,我忽然惊醒,不行 ...

  5. Python开发爬虫之BeautifulSoup解析网页篇：爬取安居客网站上北京二手房数据

    目标:爬取安居客网站上前10页北京二手房的数据,包括二手房源的名称.价格.几室几厅.大小.建造年份.联系人.地址.标签等. 网址为:https://beijing.anjuke.com/sale/ B ...

  6. ASP.NET网络爬虫小研究 HtmlAgilityPack基础，爬取数据保存在数据库中再显示再自己的网页中

    1.什么是网络爬虫 关于爬虫百度百科这样定义的:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本.另外一些 ...

  7. 一篇文章带你用Python网络爬虫实现网易云音乐歌词抓取

    前几天小编给大家分享了数据可视化分析,在文尾提及了网易云音乐歌词爬取,今天小编给大家分享网易云音乐歌词爬取方法. 本文的总体思路如下: 找到正确的URL,获取源码: 利用bs4解析源码,获取歌曲名和歌 ...

  8. python3网络爬虫（2.1）：爬取堆糖美女

    额,明明记得昨晚存了草稿箱,一觉醒来没了,那就简写点(其实是具体怎么解释我也不太懂/xk,纯属个人理解,有错误还望指正) 环境: 版本:python3 IDE:pycharm2017.3.3 浏览器: ...

  9. Python网络爬虫数据解析的三种方式

    request实现数据爬取的流程: 指定url 基于request发起请求 获取响应的数据 数据解析 持久化存储 1.正则解析: 常用的正则回顾:https://www.cnblogs.com/wqz ...

随机推荐

  1. react可拖动的好用的树结构插件

    react tree 可拖动树结构: github地址: github地址:react-sortable-tree 安装: NPM npm install react-sortable-tree –s ...

  2. Day01-初识 Python

    1.CPU/内存/硬盘/操作系统 CPU :计算机的运算和处理中心,相当于人类的大脑. 内存 :暂时存储数据,临时加载数据应用程序. 硬盘 :长期存储数据. 操作系统:一个软件,连接计算机的硬件与所有 ...

  3. WPF 使用Win32API 让控件置于WebBrowser上方

    WPF中Webbrowser控件使用HwndHost所以webbrowser会在所有控件的前方.所以webbrowser会覆盖所有同级的控件. 现在通过使用Win32API 可以避免这个情况. 最主要 ...

  4. gulp+webpack+angular1的一点小经验（第一部分gulp与webpack的整合）

    时间匆匆如流水继上周熟悉了gulp的初步安装与环境配置以后,我的项目又进入了新的阶段! 这篇文章将把我这一周遇到的一些问题,以及解决的方式做一个小小的总结,不一定记的完整,但都是个人的一点经验,分享给 ...

  5. 【nodejs原理&源码赏析（9）】用node-ssh实现轻量级自动化部署

    [摘要] node脚本实现轻量级自动化部署 示例代码托管在:http://www.github.com/dashnowords/blogs 一. 需求描述 前端工程出包后实现简易的自动化部署. 二. ...

  6. ASP.NET Core 选项模式源码学习Options Configure（一）

    前言 ASP.NET Core 后我们的配置变得更加轻量级了,在ASP.NET Core中,配置模型得到了显著的扩展和增强,应用程序配置可以存储在多环境变量配置中,appsettings.json用户 ...

  7. IO 文件夹的拷贝

    package FileCopy; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import ja ...

  8. HDU-6113

    度度熊是一个喜欢计算机的孩子,在计算机的世界中,所有事物实际上都只由0和1组成. 现在给你一个n*m的图像,你需要分辨他究竟是0,还是1,或者两者均不是. 图像0的定义:存在1字符且1字符只能是由一个 ...

  9. Nginx安装echo模块echo-nginx-module

    https://github.com/openresty/echo-nginx-module 这个模块不包含在 Nginx 源码中,安装方法: 1. 首先下载模块源码:https://github.c ...

  10. 使用RSA加密方式加密文件

    链接:GITHUB 使用RSA对流进行加密并保存到文件中 缺点:速度非常的慢,加密大文件就等着吧 环境 VS2017 + C# 7.0 + .net framwork 4.7.2