先发官方文档的地址:官方文档学习使用的书籍是Python网络数据采集(RyanMitchell著),大约
先发官方文档的地址:官方文档
学习使用的书籍是Python网络数据采集(Ryan Mitchell著),大约是一些笔记的整理。
Beautiful Soup的简介
简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
安装
Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4)。
书本中的源代码用的是Python3,但是据说 BS4 对 Python3 的支持不够好,所以我用的是 Python2.7。源码中也会相应地调整一些包的引入。
因为之前写过CNN等,需要在windows下配置环境,所以已经安装了anaconda。如果安装了anaconda的读者,可以直接使用pip安装,conda需要搜索一下,直接安装时不行的。
anaconda search -t conda beautifulsoup
conda install beautifulsoup4
pip install beautifulsoup4
如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 beautifulsoup4 (4.5.1)
BeautifulSoup 3.2.1
BeautifulSoup 4.5.1
下载完成之后解压
运行下面的命令即可完成安装
sudo python setup.py install
有时候的安装方式会需手动安装 lxml,如果用conda安装会自动把依赖包给安装上。
pip install lxml
创建 Beautiful Soup 对象
首先导入bs4库
from bs4 import BeautifulSoup
用urlopen读取一段HTML的内容
import sys
if sys.version_info[0] == 2:
from urllib2 import urlopen # Python 2
else:
from urllib.request import urlopen # Python3
html = urlopen(http://www.pythonscraping.com/exercises/exercise1.html)
用读取的内容创建beautifulsoup 对象
bsObj = BeautifulSoup(html.read())
print(bsObj.h1)
此外我们也可以用本地的HTML文件来创建对象,例如
soup = BeautifulSoup(open('index.html'))
输出测试
print bsObj.h1
print bsObj.prettify()
<h1>An Interesting Title</h1>
<html>
<head>
<title>
A Useful Page
</title>
</head>
<body>
<h1>
An Interesting Title
</h1>
<div>
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.
</div>
</body>
</html>
以上便是输出结果,格式化打印出了它的内容,并且可以通过成员对象的方式获得解析后的HTML层次。
以上全部为本篇文章的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
Python 爬虫包 BeautifulSoup