Python数据抓取_BeautifulSoup模块的使用

在数据抓取的过程中，我们往往都需要对数据进行处理

本篇文章我们主要来介绍python的HTML和XML的分析库

BeautifulSoup 的官方文档网站如下

https://www.crummy.com/software/BeautifulSoup/bs4/doc/

BeautifulSoup可以在HTML和XML的结构化文档中抽取出数据，而且还提供了各类方法，可以很方便的对文档进行搜索、抽取和修改，能极大的提高我们数据挖掘的效率

下面我们来安装BeautifulSoup

（上面我已经安装过了，所以没有显示进度条）

非常简单，无非就是pip install 加安装的包名

pip3 install bs4

下面我们开始正式来学习这个模块

首先还是提供一个目标网址

我的个人网站

http://www.susmote.com

下面我们通过requests的get方法保存这个网址内容的源代码

import requests

urls = "http://www.susmote.com"

resp = requests.get(urls)
resp.encoding = "utf8"
content = resp.text

with open("Bs4_test.html", 'w', encoding="utf8") as f:
    f.write(content)

运行起来，我们马上就能得到这个网页的源代码了

下面我们写的程序就是专门针对这个源代码利用BeautifulSoup来分析

首先我们来获取里面所有的a标签的href链接和对应的文本

代码如下

from bs4 import BeautifulSoup
with open("Bs4_test.html", 'r', encoding='utf8') as f:
    bs = BeautifulSoup(f.read())
    a_list = bs.find_all('a')
    for a in a_list:
        if a.text != "":
            print(a.text.strip(), a["href"])

首先我们从BS4里面导入BeautifulSoup

然后以只读模式打开文件打开文件，我们把f.read()作为BeautifulSoup的参数，也就是将字符串初始化，把返回的对象记为bs

然后我们就可以调用BeautifulSoup的方法了，BeautifulSoup的最常用的方法就是find和find_all,可以在文档中找到符合条件的元素，区别就是找到一个，和找到所有

在这里我们使用find_all方法,他的常用形式是

元素列表 = bs.find_all(元素名称, attires = {属性名:属性值})

然后就是依次输出找到的元素，这里就不多说了

我们在命令行运行这段代码

输出结果如下

找寻的结果太多，不一一呈现

可以看到爬取的链接其中有很多规律

例如标签链接

我们可以对代码进行稍微的更改，以获取网站所有的标签链接，也就是做一个过滤

代码如下

from bs4 import BeautifulSoup
with open("Bs4_test.html", 'r', encoding='utf8') as f:
    bs = BeautifulSoup(f.read(), "lxml")
    a_list = bs.find_all('a')
    for a in a_list:
        if a.text != "" and 'tag' in a["href"]:
            print(a.text.strip(), a["href"])

大致内容没有改变，只是在输出前加了一个判定条件，以实现过滤

我们在命令行运行这个程序

结果如下

除了这样，你还可以使用很多方法达到相同的目标

使用attrs = [ 属性名 : 属性值 ] 参数

属性名我相信学过html的人一定都知道，例如"class"，"id"、"style"都是属性，下面我们逐步深入，利用这个来深入挖掘数据

获取我的博客网站中每篇文章的标题

经过浏览器调试，我们很容易获取到我的博客网页中标题部分的属性样式

如下图

标题样式是一个<header class="post-header">

非常简单的一个属性

下面我们通过代码来实现批量获取文章标题

# coding=utf-8
__Author__ = "susmote"

from bs4 import BeautifulSoup
n = 0
with open("Bs4_test.html", 'r', encoding='utf8') as f:
    bs = BeautifulSoup(f.read(), "lxml")
    header_list = bs.find_all('header', attrs={'class': 'post-header'})
    for header in header_list:
        n = int(n)
        n += 1
        if header.text != "":
            print(str(n) + ":  " + header.text.strip() + "\n")

大体上跟之前的代码没什么差别，只是在find_all方法中多加了一个参数，attrs以实现属性过滤，然后为了使结果更清晰，我加了一个n

在命令行下运行,结果如下

利用正则表达式来表达属性值的特征

无非就是在属性值后面加一个正则匹配的方法，我在这就不过多解释了，如果想要了解，可以自行上网百度

我的博客网站 www.susmote.com

秒客网