快速入门爬虫数据解析库：BeautifulSoup4

Posted 2021-06-06 尤尔小屋的猫

公众号：尤而小屋
作者：Peter
编辑：Peter

快速入门BeautifulSoup4

大家好，我是Peter~

今天带来的是一篇关于爬虫数据解析库的文章。

Beautiful Soup 是一个可以从html或XML文件中提取数据的Python库。由于BeautifulSoup是基于Python，所以相对来说速度会比另一个Xpath会慢点，但是其功能也是非常的强大，本文会介绍该库的基本使用方法，帮助读者快速入门。

网上有很多的学习资料，但是超详细学习内容还是非官网莫属，资料传送门

英文官网：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

中文官网：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

安装和使用

安装

安装过程非常简单，直接使用pip即可：

pip install beautifulsoup4

上面安装库最后的4是不能省略的，因为还有另一个库叫作beautifulsoup，但是这个库已经停止开发了。

因为BS4在解析数据的时候是需要依赖一定的解析器，所以还需要安装解析器，我们安装强大的lxml：

pip install lxml

在python交互式环境中导入库，没有报错的话，表示安装成功。

使用

使用过程直接导入库：

from bs4 import BeautifulSoup

解析原理

解析原理

• 实例化一个BeautifulSoup对象，并且将本地或者页面源码数据加载到该对象中
• 通过调用该对象中相关的属性或者方法进行标签定位和数据提取

如何实例化BeautifulSoup对象

1. 将本地的HTML文档中的数据加载到BS对象中
2. 将网页上获取的页面源码数据加载到BS对象中

案例解析

原数据

假设我们现在本地有一个HTML文件待解析，具体内容如下，数据中有各种HTML标签：html、head、body、div、p、a、ul、li等

加载数据

from bs4 import BeautifulSoup

fp = open('./test.html','r',encoding='utf-8')  # 打开本地文件
soup = BeautifulSoup(fp,'lxml')
soup

所有的数据解析都是基于soup对象的，下面开始介绍各种解析数据方法：

soup.tagName

soup.TagName返回的是该标签第一次出现的内容，以a标签为例：

数据中多次出现a标签，但是只会返回第一次出现的内容

我们再看下div标签：

出现了2次，但是只会返回第一次的内容：

soup.find(‘tagName’)

find()主要是有两个方法：

• 返回某个标签第一次出现的内容，等同于上面的soup.tagName
• 属性定位：用于查找某个有特定性质的标签

1、返回标签第一次出现的内容：

比如返回a标签第一次出现的内容：

再比如返回div标签第一次出现的内容：

2、属性定位

比如我们想查找a标签中id为“谷歌”的数据信息：

在BS4中规定，如果遇到要查询class情况，需要使用class_来代替：

但是如果我们使用attrs参数，则是不需要使用下划线的：

soup.find_all()

该方法返回的是指定标签下面的所有内容，而且是列表的形式；传入的方式是多种多样的。

1、传入单个指定的标签

上面返回的是列表形式，我们可以获取我们想要的内容：

2、传入多个标签（列表形式）

需要主要返回内容的表达形式，每个标签的内容是单独显示的

3、传入正则表达式

比如查看以a开头标签的全部内容

查看以li标签开头的全部内容：

选择器soup.select()

主要是有3种选择器，返回的内容都是列表形式

• 类选择器：点
• id选择器：#
• 标签选择器：直接指定标签名

1、类选择器

2、id选择器

3、标签选择器

直接指定li标签

4、选择器和find_all()可以达到相同的效果：

soup.tagName和soup.find(‘tagName’)的效果也是相同的：

层级选择器使用

在soup.select()方法中是可以使用层级选择器的，选择器可以是类、id、标签等，使用规则：

• 单层：>
• 多层：空格

1、单层使用

2、多层使用

获取标签文本内容

获取某个标签中对应文本内容主要是两个属性+一个方法：

• text
• string
• get_text()

1、text

2、string

3、get_text()

3者之间的区别

# text和get_text()：获取标签下面的全部文本内容
# string：只能获取到标签下的直系文本内容

获取标签属性值

1、通过选择器来获取

2、通过find_all方法来获取

BeautifulSoup实战

下面介绍的是通过BeautifulSoup解析方法来获取某个小说网站上古龙小说名称和对应的URL地址。

网站数据

我们需要爬取的数据全部在这个网址下：https://www.kanunu8.com/zj/10867.html，右键“检查”，查看对应的源码，可以看到对应小说名和URL地址在源码中位置

每行3篇小说在一个tr标签下面，对应的属性href和文本内容就是我们想提取的内容。

获取网页源码

import requests
from bs4 import BeautifulSoup
import pandas as pd
import re

url = 'https://www.kanunu8.com/zj/10867.html'
headers = {'user-agent': '个人请求头'}

response = requests.get(url = url,headers = headers)
result = response.content.decode('gbk')   # 该网页需要通过gbk编码来解析数据
# result

实例化BeautifulSoup对象

soup1 = BeautifulSoup(result,'lxml')
# print(soup1.prettify())  美化输出源码内容

获取名称和URL地址

1、先获取整体内容

两个信息全部指定a标签中，我们只需要获取到a标签，通过两个属性href和target即可锁定：

# 两个属性href和target，不同的方法来锁定

information_list = soup1.find_all('a',href=re.compile('^/book'),target='_blank')
information_list

2、再单独获取两个信息

通过属性来获取URL地址，通过文本来获取名称

url_list = []
name_list = []

for i in information_list:
    url_list.append(i['href'])  # 获取属性
    name_list.append(i.text)  # 获取文本

3、生成数据帧

gulong = pd.DataFrame({
    "name":name_list,
    "url":url_list}
)

gulong

我们发现每部小说的具体地址其实是有一个公共前缀的：https://www.kanunu8.com/book，现在给加上：

gulong['url'] = 'https://www.kanunu8.com/book' + gulong['url']   # 加上公共前缀
gulong.head()

另外，我们想把书名的《》给去掉，使用replace替代函数：

gulong["name"] = gulong["name"].apply(lambda x:x.replace("《",""))  # 左边
gulong["name"] = gulong["name"].apply(lambda x:x.replace("》","")) # 右边

# 保存
gulong.to_csv("gulong.csv",index=False)  # 保存到本地的csv文件

最后显示的前5行数据：

总结

本文从BeautifulSoup4库的安装、原理以及案例解析，到最后结合一个实际的爬虫实现介绍了一个数据解析库的使用，文中介绍的内容只是该库的部分内容，方便使用者快速入门，希望对读者有所帮助。