Python爬虫bs4的基本使用

啧不应该啊2024-10-01 22:24

BS4是Python中一个用于从HTML或XML文件中提取数据的库，它提供了一种方便的方法来解析、遍历、搜索、修改文档的树形结构。

一、安装导入：

使用包管理器进行安装：

复制代码

pip3 install beautifulsoup4

导入：

复制代码

from bs4 import BeautifulSoup

beautifulsoup的解析器：html.parser、lxml、html5lib

默认为：html.parser

二、基本语法及案例

由于bs是针对标签提取数据，所以主要语法是围绕着标签的

比如有如下一组数据：

python 复制代码

html='''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
'''

BeautifulSoup(html, 'lxml')这行代码实际上是在调用BeautifulSoup类并创建一个新的对象，该对象代表了整个HTML或XML文档的内容。这个对象被赋值给变量soup，之后你就可以使用soup来访问和操作文档的内容了。

python 复制代码

soup=BeautifulSoup(html,'lxml')

参数一是目标数据 ，参数二是解析器。此时soup中就放了完整结构的html数据。

接下来我们就可以对数据操作了。

比如我们要拿到title标签,打点调用即可：

python 复制代码

print(soup.title)

输出：

html 复制代码

<title>The Dormouse's story</title>

如果只想要内部的文字 ,需要string属性：

python 复制代码

print(soup.title.string)

如果想得到标签的名字 ，需要name属性：

python 复制代码

print(soup.title.name)

attrs会返回标签中的所有属性，返回的值是字典,这样我们就可以对属性进行操作了，还会根据属性的性质决定返回的类型。比如我们想得到p标签的name属性值：

python 复制代码

print(soup.p.attrs['name'])

这样就会得到：dromouse，其他属性值获取方式也相同，但返回值类型不同，比如class这种属性值可以复用的，可能出现多个所以会返回一个列表类型，而name返回的是字符串类型。

如果页面中有重复的标签，比如p标签，那么使用本文方式只能获得第一个。