【Python】Python爬虫快速入门，BeautifulSoup基本使用及实践
共 4507字，需浏览 10分钟
·
2021-06-03 02:45
来源：Python数据之道
作者：Peter
整理：阳哥
爬虫，是学习Python的一个有用的分支，互联网时代，信息浩瀚如海，如果能够便捷的获取有用的信息，我们便有可能领先一步，而爬虫正是这样的一个工具。
「Python数据之道」 之前已经分享过一些关于介绍 爬虫 的内容，大家也可以前往阅读：
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/
本文的主要内容如下：
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
将本地的HTML文档中的数据加载到BS对象中 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。
作者简介
Peter，硕士毕业僧一枚，从电子专业自学Python入门数据行业，擅长数据分析及可视化。喜欢数据，坚持跑步，热爱阅读，乐观生活。个人格言：不浮于世，不负于己
个人站点：www.renpeter.cn
往期精彩回顾
本站qq群851320808，加入微信群请扫码：