爬蟲之BeautifulSoup類

来源:https://www.cnblogs.com/zqxFly/archive/2020/03/15/12496451.html
-Advertisement-
Play Games

安裝:pip install BeautifulSoup4 下表列出了主要的解析器,以及它們的優缺點:看個人習慣選取自己喜歡的解析方式 1 # 獲取html代碼 2 import requests 3 r = requests.get('http://www.python123.io/ws/demo ...


安裝:pip install BeautifulSoup4

下表列出了主要的解析器,以及它們的優缺點:看個人習慣選取自己喜歡的解析方式

 1 # 獲取html代碼
 2 import requests
 3 r = requests.get('http://www.python123.io/ws/demo.html')
 4 demo = r.text
 5 from bs4 import BeautifulSoup
 6 soup = BeautifulSoup(demo,'html.parser')
 7 print(soup.prettify()) #按照標準的縮進格式的結構輸出,代碼如下
 8 <html>
 9  <head>
10   <title>
11    This is a python demo page
12   </title>
13  </head>
14  <body>
15   <p class="title">
16    <b>
17     The demo python introduces several python courses.
18    </b>
19   </p>
20   <p class="course">
21    Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
22    <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
23     Basic Python
24    </a>
25    and
26    <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
27     Advanced Python
28    </a>
29    .
30   </p>
31  </body>
32 </html>

簡單瀏覽數據化方法的用法

 

#demo的源代碼
html_d="""
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_d,'html.parser')
# 獲取title標簽
print(soup.title)
#獲取文本內容
print(soup.text)
#獲取標簽名稱
print(soup.title.name)
#獲取標簽屬性
print(soup.title.attrs)
#獲取head標簽的子節點
print(soup.p.contents)
print(soup.p.children)
#獲取所有的a標簽
print(soup.find_all('a'))

 

常用解析方法

#demo的源代碼
html_d="""
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_d,"lxml")
#p下麵所有的子節點
print(soup.p.contents) 
soup.contents[0].name
#children本身沒有子節點,得到一個迭代器,包含p下所有子節點
print(soup.p.children)
for child in enumerate(soup.p.children):
    print(child)
#子孫節點p下麵所有的標簽都會出來
print(soup.p.descendants)
for i in enumerate(soup.p.children):
  print(i)
# string 下麵有且只有一個子節皆可以取出,如有多個位元組則返回為none
print(soup.title.string)
# strings 如果有多個字元串
for string in soup.strings:
    print(repr(string))
#去掉空白
for line in soup.stripped_strings: 
    print(line)
#獲取a標簽的父節點
print(soup.a.parent) 
#找到a標簽的父輩節點
print(soup.a.parents) 
#兄弟節點
print(soup.a.next_sibling) #同一個兄弟
print(soup.a.next_sibling) #上一個兄弟
print(soup.a.next_sibling) #下一個兄弟

find_all的用法( name, attrs, recursive, text, **kwargs)

import re
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_d,"lxml")
# name
for tag in soup.find_all(re.compile('b')):
print(tag.name)
#attrs
print(soup.find_all('p','course'))
#keyword
print(soup.find_all(id='link1'))
#recursive
# print(soup.find_all('a',recursive=False))
# string
# print(soup.find_all(string=re.compile('python')))

小案例

 

import requests
from bs4 import BeautifulSoup
import bs4
#獲取URL裡面信息
def getHtmlText(url):
    try:
        r= requests.get(url,timeout=30 )
        r.encoding=r.apparent_encoding
        return r.text
    except:
      return ""
#提起網頁數據
def fillunivList(ulist,html):
    soup = BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):
            tds = tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[2].string,tds[3].string])
    pass
#列印數據結果
def printUnivList(ulist,num):
    # tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}\t{:^10}"
    # print(tplt.format('排名', '學校名稱', '省份','總分',chr(12288)))
    # for i in range(num):
    #     u = ulist[i]
    #     print(tplt.format(u[0], u[1], u[2],u[3],chr(12288)))
    print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format('排名', '學校名稱', '地區', '總分'))
    for i in range(num):
         u = ulist[i]
         print("{:^10}\t{:^6}\t{:^10}\t{:^10}".format(u[0], u[1], u[2], u[3]))
    return
def main():
    unifo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html'
    html = getHtmlText(url)
    fillunivList(unifo,html)
    printUnivList(unifo,20) #列印前20所
main()

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • jps JVM Process Status Tool,顯示指定系統內所有的 HotSpot 虛擬機進程。顯示信息包括虛擬機執行主類名稱以及這些進程的本地虛擬機唯一ID(Local Virtual Machine Identifier,LVMID)。 選項|作用 | q|只輸出 LVMID,省略主類 ...
  • 1. SpringMVC控制器業務操作 在SpringMVC第二節中我們瞭解到mvc控制器處理頁面url請求返迴響應視圖,除了這些操作外,控制器還需要處理更重要的業務,如:接收前臺頁面傳遞的參數、綁定數據到頁面、返回json數據、文件上傳、文件下載等業務操作。 1.1.參數接收 1.1.1. 配置請 ...
  • 本文主要介紹Java—正則表達式(Pattern類和Matcher類)的使用。 ...
  • 記憶體泄漏、指針操作符重載、類模板技術、auto_ptr 指針 ...
  • 字典的初識: + why:列表可以儲存大量的數據,但數據間的關聯性不強。列表的查詢速度比較慢。 + 數據類型的分類(可變與不可變): + 可變(不可哈希)的數據類型:list dict set(集合是無序的,不重覆的數據集合,它裡面的元素是可哈希的(不可變類型),但是集合本身是不可哈希(所以集合做不 ...
  • 題目描述: 給定一個長度為 N 的數列,求它數值單調遞增的子序列長度最大為多少。即已知有數列 A , A=A1,A2....An ,求 A的任意子序列 B ( B=Ak1,Ak2....Akp ),使 B 滿足 k1<k2<....<kp且 Ak1<Ak2<....<Akp 。 現求 p 的最大值。 ...
  • 【Spring Data 系列學習】Spring Data JPA @Query 註解查詢 前面的章節講述了 Spring Data Jpa 通過聲明式對資料庫進行操作,上手速度快簡單易操作。但同時 JPA 還提供通過註解的方式實現,通過將 註解在繼承 repository 的介面類方法上 。 Qu ...
  • 一、分析網站內容 本次爬取網站為opgg,網址為:” http://www.op.gg/champion/statistics” ​ 由網站界面可以看出,右側有英雄的詳細信息,以Garen為例,勝率為53.84%,選取率為16.99%,常用位置為上單 現對網頁源代碼進行分析(右鍵滑鼠在菜單中即可找到 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...