【python】网络爬虫与信息提取--Beautiful Soup库

Beautiful Soup网站：https://www.crummy.com/software/BeautifulSoup/

作用：它能够对HTML.xml格式进行解析，并且提取其中的相关信息。它可以对我们提供的任何格式进行相关的爬取，并且可以进行树形解析。

使用原理：它能够把任何我们给它的文档当作一锅汤，任何给我们煲制这锅汤。

一、安装

目前最常用的版本是Beautiful Soup 4，也就是 bs4 ，所以在导入时 import bs4就是在导入Beautiful Soup

1.使用管理员权限打开command命令台

2.运行pip install beautifulsoup4

二、Beautiful Soup的安装小测

以下链接为测试链接：This is a python demo page (python123.io)

1.打开该链接查看页面

2.浏览器打开页面后，右击打开“查看页面源代码”（edge,其他浏览器也可），任何将源代码拷贝下来放在我们的程序当中，或者使用上一博文所说的requests库。r.text就是html代码相关的内容。

3.为了简化，我们可以定义一个变量叫做demo,表示这个页面的所有代码的内容

4.导入beautiful soup库：from bs4 import BeautifulSoup

5.除了给出html，还要给出解析demo的解释器：soup= BeautifulSoup(demo,"html.parser"）

6.看看安装是否正确：print(soup.prettify())

三、Beautiful Soup库的基本元素

Beautiful Soup库也叫beautifulsoupb4或bs4。bs4库是解析、遍历、维护“标签树”的功能库，只要我们提供的文件是标签类型，那么bs库都能给它做很好的解析。

这个属性是用来定义标签的特点的。

bs库的引用：from bs4 import BeautifulSoup。这说明我们从bs库引入了一个BeautifulSoup模型。如果我们需要bs库里面的一些基本变量进行判断的时候，我们可以直接引用bs库:import bs4.

理解bs：bs本身解析的是html和xml文档，那么这个文档和标签树是一一对应的，那么经过了bs类的处理（把标签树理解为一个字符串，bs就可以把它转化为一个bs类，bs类是一个能代表标签树的类型。）事实上，我们认为html文档，标签树和bs类这三者是等价的，bs对应一个html/xml文档的全部内容。

实际上，每一种解析器它都是可以有效解析html和xml文档的，这里面我们主要使用的是html解析器。

这时候，soup表示我们解析后的demo页面。title标签就是我们页面在浏览器左上方显示位置信息的地方。事实上，所有html语法上的标签都可以使用soup.tag方式访问获得。

当html文档中存在多个相同的tag标签时，我们用soup.tag只能返回其中的第一个。比如刚刚访问的a标签，页面中有两个a标签，却只返回第一个。

获取标签名字的方法：

a.parent表示包裹a的上一级标签。

标签的属性是在标签中标明标签特点的相关区域，它以字典的形式来组织。因为它是字典，我们可以对属性做信息的提取，如下图。

查看标签属性的类型：type(tag.attrs)

需注意，tag标签可以有零个或者多个属性，那么如果没有属性存在的时候，我们使用attrs获得的字典是个空字典，但是无论有属性还是没有属性，我们总能获得一个字典。

获得标签之间的内容：

注释：

我们分别对p和b标签分别用.string的时候，我们都能产生一段文本，但是当这个文本是注释形式的时候，它并没有标明它是注释，所以我们分析文档的时候，我们需要对其中的注释部分做相关的判断，而判断的依据就是它的类型，这种情况在我们分析文本中并不常用，所以做一个基本了解即可。

四、基于bs库的html内容遍历方法

遍历方式:上行遍历、下行遍历、平行遍历

1.下行遍历

对于一个标签的儿子节点并不仅仅包括标签节点，也包括字符串节点，比如像是\n的回车，它也是一个body标签的儿子节点类型,我们可以用len函数获得儿子节点的数量，或者给定数组下标获得对应数据。

2.上行遍历

soup的父亲是空的。

上行遍历代码如下：

3.平行遍历

使用条件：平行遍历发生在同一个付节点的各节点间，不是同一个父节点下的标签之间不构成平行遍历关系。

需注意，在标签树中，尽管数形结构采用的是标签的形式来组织，但是标签之间的navigableString也构成了标签树的节点，也就是说任何一个节点它的平行标签，它的父亲标签，它的儿子标签是可能存在navigableString类型的。

平行遍历代码如下：

总结:

五、基于bs库的html格式化和编码

1.格式化

目的：让html内容更加友好的显示

方案：利用BS库的prettify()方法

prettify()作用：能够为html文本的标签以及内容增加换行符，它也可以对每一个标签来做相关的处理

2.编码

注意，bs4库将任何读入的html文件或者字符串都转换成utf-8编码

可以看见，当我们输入中文的时候，它的结果可以很好的显示出来。

六、信息标记的三种形式

作用：1.标记后的信息可形成信息组织结构，增加信息维度 2.标记后的信息可用于通讯、存储和展示 3.标记的结构与信息用于具有价值 4.标记后的信息更有利于程序理解和运用

HTML的信息标记：HTML是WWW的信息组织方式，可以把声音图像视频等超文本的信息嵌入到文本当中。HTML通过预定义的<>...</>标签形式组织不同类型的信息

现在国际公认的三种信息标记种类：xml、ison、yaml

1.xml

xml，拓展标记语言，与html很接近的标记语言，它采用了以标签为主来构建信息和表达信息。

2.json

json，有类型的键值对 key:value。当一个键值有多个值时，采用[]和逗号隔开。

好处：对于javascript等编程语言来说，可以直接将json格式作为程序的一部分，简化编程。

3.yaml

yaml,无类型的键值对 key:value。通过缩进表示包含关系。

七、三种信息标记形式的比较

表示形式

实例

xml:有效信息占比不高，大多数信息被标签占用

比较

八、信息的提取的一般方法

方法一：我们需要什么信息，去解析标签树就可以了。好处是你需要什么信息，就能找到这部分的位置。缺点是需要对整个文件的信息组织形式有清楚的认识和理解

方法二：就好像我们使用word一样，根本不需要关心整个word文档具有什么样的标题形式和格式，只需要我们对信息的文本利用函数去查找就可以。

实例：提取HTML中所有URL链接

思路：1.搜索到所有<a>标签 2.解析<a>标签格式，提取href后的链接内容。

九、基于bs4库的html内容查找方法

如果我们给出的标签名是true的话，将显示当前soup的所有标签信息。

当我们需要查询b开头的b和body标签，这需要我们引入正则表达式库（import re)。

soup.find_all(id='link1')表示包含的元素就是属性中id域等于link1的标签元素，当查找的内容html不包含时，则返回空数组。

也就是当进行属性查找的时候，我们必须准确地赋值这个信息，如果我们想查找属性的部分信息，可以考虑引入正则表达式，否则就需要准确查找，不多也不能少。

soup.find_all('a',recursive=False)返回空值，表示它的儿子节点层面上是没有a标签的

查找更多信息：

简写方式:

<tag>(..) 等价于 <tag>.find_all(..)

soup(..) 等价于 soup.find_all(..)

扩展方法：

十、实例：中国大学排名定向爬虫

基本情况：我们将采取由上海交通大学设计研发的最好大学排名。

【软科排名】2023年最新软科中国大学排名|中国最好大学排名 (shanghairanking.cn)

功能描述：

输入：大虚的排名URL链接
输出：排名、名称、总分

技术路线：requests-bs4

定向爬虫：仅对输入url进行爬取，不拓展爬取其他url。

注意：如果有些数据是通过javascript等脚本语言生成的，也就是说当你访问一个网页的时候，它的信息是动态提取和生成的，在这种情况下，用requests和bs4是无法获取它的信息的。

程序的结构设计与（步骤）：1.从网络上获取大学排名网页内容（可以定义一个getHTMLText()函数） 2.提取网页内容中信息到合适的数据结构（定义fillUnivList()) 3.利用数据结构展示并输出结果（定义printUnivList())

实现：

（关于在IDLE中怎么换行继续敲写代码而不执行语句：按ctrl+n弹出新窗口，在新窗口里面写。）

先写主函数，由于实现了网络请求，我们要import requests库和bs4库

刚才我们定义了三个函数分别对应三个步骤，我们将这三个函数写进来，但由于此时我们还没有对每个函数的内部功能进行设计和实现，所以我们只要写出函数的定义就可以。pass语句表示不做任何操作。

我们将大学信息放在unifo中，给出刚刚页面的链接https://www.shanghairanking.cn/rankings/bcur/202311

然后调用刚刚的三个函数，先将url转换成html，然后信息提取后将html放在unifo中

接着填充第一个函数：设置timeout时间是30秒，然后用raise_for_status来产生异常信息，接着修改编码，然后把网页内容返回给程序的其他部分。

接着填充第二个函数：通过BeautifulSoup库解析网页，将需要的信息加入到一个列表中。if isinstance(tr, bs4.element.Tag): 判断tr标签是不是bs4定义的tag标签，过滤掉不是bs4定义的tag标签，为了使这个代码能够运行，我们需引入一个叫bs4的库

所有代码如下：

import requests
import bs4
from bs4 import BeautifulSoup
def getHTMLText(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""
       


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')  
            n = tds[1].find("a").string  # 因为大学名字在td标签的子标签a中，所以需要单独提取
            ulist.append([tds[0].string, n, tds[4].string])


def printUnivList(ulist,num):
    tplt = "{0:^10}{1:{3}^10}{2:^10}"
    print(tplt.format("序号", "学校名称", "总分", chr(12288))) 
    for i in range(num):
        u = ulist[i]
        a = u[0].strip()  # 去掉字符串类两边的空格
        b = u[1].strip()
        c = u[2].strip()
        print(tplt.format(a, b, c, chr(12288)))


	
def main():
    unifo=[]
    url='https://www.shanghairanking.cn/rankings/bcur/202311'
    html=getHTMLText(url)
    fillUnivList(unifo,html)
    printUnivList(unifo,20)
	

main()

美化：采用中文字符的空格进行填充--chr(12288)

秒客网