我们上次做了
你的第一个爬虫，爬取当当网 Top 500 本五星好评书籍
有些朋友觉得
利用正则表达式去提取信息
太特么麻烦了
有没有什么别的方式
更方便过滤我们想要的内容啊
emmmm
你还别说
还真有
有一个高效的网页解析库
它的名字叫做
BeautifulSoup
那可是
它
是一个可以从 HTML 或 XML 文件中提取数据的 Python 库
那么这么玩呢
...
接下来就是
学习python的正确姿势
首先我们要安装一下这个库
pip install beautifulsoup4
beautifulsoup支持不同的解析器
比如
对 HTML 的解析
对 XML 的解析
对 HTML5 的解析
你看
一般情况下
我们用的比较多的是 lxml 解析器
我们先来使用一个例子
让你体验一下
beautifulsoup 的一些常用的方法
可流弊了呢
比如我们有这样一段 HTML 代码
html_doc = """
<html><head><title>学习python的正确姿势title>head>
<body>
<p class="title"><b>小帅b的故事b>p>
<p class="story">有一天，小帅b想给大家讲两个笑话
<a href="http://example.com/1" class="sister" id="link1">一个笑话长a>,
<a href="http://example.com/2" class="sister" id="link2">一个笑话短a> ,
他问大家，想听长的还是短的？p>
<p class="story">...p>
"""
在不使用 re 来进行正则表达式的情况下
如何快速获取到我们想要的内容呢？
先安装一下
pip install beautifulsoup4
pip install lxml
接着将 html 的源代码传给 BeautifulSoup
soup = BeautifulSoup(html_doc,'lxml')
此时此刻
就不需要自己写正则匹配了
我们要做的就是从这个对象直接获取我们要的内容
获取标题的内容
print(soup.title.string)
#学习python的正确姿势
获取 p 标签里面的内容
print(soup.p.string)
#小帅b的故事
获取 title 的父级标签
print(soup.title.parent.name)
#head
获取超链接
print(soup.a)
#"sister" href="http://example.com/1" id="link1">一个笑话长
获取所有超链接
print(soup.find_all('a'))
#[<a class="sister" href="http://example.com/1" id="link1">一个笑话长a>, <a class="sister" href="http://example.com/2" id="link2">一个笑话短a>]
获取 id 为 link2 的超链接
print(soup.find(id="link2"))
#<a class="sister" href="http://example.com/2" id="link2">一个笑话短a>
获取网页中所有的内容
print(soup.get_text())
# 学习python的正确姿势
小帅b的故事
有一天，小帅b想给大家讲两个笑话
一个笑话长,
一个笑话短 ,
他问大家，想听长的还是短的？
...
除了find方法之外
如果你对css比较熟悉
也可以使用 select 方法
soup = BeautifulSoup(html_doc,'lxml')
print(soup.select("title"))
print(soup.select("body a"))
print(soup.select("p > #link1"))
以上就是 BeautifulSoup 常用的方法
想进一步了解可以到这
https://www.crummy.com/software/BeautifulSoup/bs4/doc/
有了它
妈妈再也不用担心我的正则表达式了
下次还有人这样问你
年轻人，不会正则表达式你睡得着觉？有点出息没有？
你可以傲娇的告诉他
睡得着
本篇完
再见
近期文章
python爬虫06 | 你的第一个爬虫，爬取当当网 Top 500 本五星好评书籍
python爬虫05 | 年轻人，不会正则表达式你睡得着觉？有点出息没有？
python爬虫04 | 长江后浪推前浪，Reuqests库把urllib库拍在沙滩上
扫一扫
学习 Python 没烦恼
好看的人都点了
京公网安备 11010802041100号