1.节点
想要获取网页中的数据,首先要获取网页 HTML 代码,再把数据从中提取出来。
我们要向网页的服务器发送请求,服务器返回的响应就是网页 HTML 代码
节点
(1)文档节点:就是文档的内容;
(2)标签节点:就是html里面对应的标签;
(3)属性节点:就是html里面标签的属性,比如长度,外边距,内边距等等;
2.解析模块
对于一个网页的节点来说,它可以定义id、class或其他属性,而且节点之间还有层级关系。
我们可以借助网页节点的结构和属性,提取想要的信息。在这里,我们来学习一个强大的解析工具
------BeautifulSoup
3.解析器
网络爬虫的最终目的就是过滤选取网络信息,最重要的部分可以说是解析器。解析器的优劣决定了爬虫的速度和效率。
Beautiful Soup 官方推荐我们使用的是 lxml 解析器,原因是它具有更高的效率,所以我们也将采用lxml解析器。
5.导入类
安装完成后,我们需要使用 bs4 模块中的 BeautifulSoup 类。
这就要使用 from...import 从 bs4 中导入 BeautifulSoup 。
6.函数传参
BeautifulSoup() 函数可以把不标准的 HTML 代码重新进行了自动更正,从而方便我们对其中的节点、标签、属性等进行操作。
soup = BeautifulSoup(html, "lxml")
print(soup)
这段代码调用函数BeautifulSoup,
这个函数有2个参数,第一个是需要进行解析的html代码,第二个是解析器的类型;
使用 BeautifulSoup() 函数,创建一个 BeautifulSoup 对象,传入 HTML 文本和解析器 lxml。
7.找到对应节点处的内容
文本所在的位置,包含在<em>XXX</em>这样的节点中,它们都有相同的标签。
使用 BeautifulSoup 中的 find_all() 函数,获取所有符合指定条件的节点。
ps = soup.find_all(name = "h1")
print(ps)
find_all() 函数可以查询 soup 中所有符合条件的元素,组成一个列表赋值给ps。
8.代码的完整实现
import requests
from bs4 import BeautifulSoup
url = "https://xxxxxxxxxxxxxxxxx/"
response = requests.get(url)
html = response.text
soup = BeautifulSoup(html,"lxml")
content_all = soup.find_all(name="em")
print(content_all)