Python网络爬虫学习笔记（2）BeaufitulSoup库

文章目录

- BeautifulSoup库的基本介绍
- - HTML标签的获取和相关属性
  - HTML文档的遍历
  - prettify()方法
- 使用BeautifulSoup库对HTML文件进行内容查找
- - 信息的标记的相关概念（非重点）
  - find_all()方法（重点）
- 综合实例：爬取软科2022中国大学排名

承接上文：Python网络爬虫学习笔记（1）requests库爬虫

BeautifulSoup库的使用背景：即使我们可以通过requests库获得网页的text信息，但是这个text信息只是网页的源代码，我们需要从这个源代码中寻找我们需要的信息，这时候就可以使用BeautifulSoup库来帮助我们实现目的。

BeautifulSoup库的基本介绍

HTML标签的获取和相关属性

Beautifulsoup库概述：

一个能够解析HTML和XML文件的功能库。
由于一个HTML文档或XML文档对应一个标签树，因此也可以说，该库是解析、遍历、维护标签树的功能库。
该库可以将任意一个标签树转换为一个BeautifulSoup类的对象。
HTML/XML文档、标签树和BeautifulSoup对象之间是一一对应的关系。

最常用的库导入方式：from bs4 import BeautifulSoup。

BeautifulSoup类对象创建：

变量名=BeautifulSoup(HTML文件名/XML文件名,解析器)

HTML文件名/XML文件名：通过request库的get函数获取的Response对象，其text域即为一个HTML或XML文件，因此可以用来作为参数。
解析器：当创建BeautifulSoup对象时需要指定解析器，用于表示文档的类型。自带的对HTML文档的解析器是"html.parser"，一般情况下使用这个解析器即可。

BeautifulSoup类的基本元素：

标签：

介绍：最基本的信息组织单元，分别用<>和</>标明开头和结尾。
使用方式：BeautifulSoup变量名.标签名。

备注：如果存在多个名字相同的标签，则只会返回第一个标签对应的内容。

标签名：

介绍：< p >…< /p >的标签名为p。
使用方式：BeautifulSoup变量名.标签名.name。

标签的属性：

介绍：以字典的形式进行组织。
使用方式：BeautifulSoup变量名.标签名.attrs。
返回内容：一个字典，包括标签的各个属性的信息。

标签内非属性字符串:

介绍：即一对标签之间的内容，以字符串进行表示。
使用方式：BeautifulSoup变量名.标签名.string。

内容注释：

介绍：标签内字符串的注释部分。
使用方式：和获取标签内字符串相同，需要通过返回值类型进行区分。

实战案例（BeautifulSoup对象的创建和标签的使用）：

# 首先需要导入requests库和BeautifulSoup类
import requests
from bs4 import BeautifulSoup
# 使用get方法爬取测试网站的内容
r=requests.get("https://www.baidu.com/")
# 对可能抛出异常的部分放入try块中
try:
          # 检测Response对象的状态码，判断是否抛出异常
          r.raise_for_status()
          # 如果header中不存在charset字段，则encoding采用默认编码方式，很可能解析错误
          if r.encoding=="ISO-8859-1":
                    # 将网页内容编码方式修改成从内容分析出的编码方式
                    r.encoding=r.apparent_encoding
          # 获取网页的HTML源代码
          demo=r.text
          
###### 新学习的内容 ######
          # 使用HTML解析器对源代码进行解析
          soup=BeautifulSoup(demo,"html.parser")
          # 显示网页的title标签内容
          print(soup.title)
##########################

# 检测到异常后执行的语句
except:
          print("网页访问失败！")

HTML文档的遍历

HTML文档对应一棵唯一的标签树，因此对HTML文档的遍历也就是对标签树的遍历。共有下行遍历、上行遍历和平行遍历三种方法。

下行遍历：从根节点向叶子节点遍历。

contents：获取一个标签的子标签的列表。
children：获取一个标签的子标签，是contents的迭代烈性，用于for…in结构循环遍历子标签。
descendants：子孙标签的迭代类型，包含所有的子孙标签，用于for…in方式循环遍历。

备注：标签包括标签名和一对标签名中间的内容，而非只是标签名。

上行遍历：从叶子节点向根节点遍历。

parent：获取当前标签的父标签。
parents：获取当前标签的所有先辈标签，属于迭代类型，用于for…in结构的循环遍历。

平行遍历：同一层次节点间的遍历。

next_sibling：按照HTML文本顺序的下一个平行标签。
previous_sibling：按照HTML文本顺序的上一个平行标签。
next_siblings：迭代类型，用于for…in结构按照HTML文本顺序遍历后续所有平行标签。
previous_siblings：迭代类型，用于for…in结构按照HTML文本顺序遍历之前所有平行标签。

备注：只有父标签相同的标签才能进行平行遍历。

prettify()方法

方法概述：在HTML文件中合适的位置插入换行符，使得在展示HTML文件内容时更加方便阅读和程序处理。

备注：prettify方法也可以用于处理单个标签。

测试用例：

# 首先需要导入requests库和BeautifulSoup类
import requests
from bs4 import BeautifulSoup
# 使用get方法爬取测试网站的内容
r=requests.get("https://www.baidu.com/")
# 对可能抛出异常的部分放入try块中
try:
          # 检测Response对象的状态码，判断是否抛出异常
          r.raise_for_status()
          # 如果header中不存在charset字段，则encoding采用默认编码方式，很可能解析错误
          if r.encoding=="ISO-8859-1":
                    # 将网页内容编码方式修改成从内容分析出的编码方式
                    r.encoding=r.apparent_encoding
          # 获取网页的HTML源代码
          demo=r.text
          
###### 新学习的内容 ######
          # 使用HTML解析器对源代码进行解析
          soup=BeautifulSoup(demo,"html.parser")
          # 直接显示HTML源代码
          print(soup)
          # 对HTML源代码使用prettify方法处理并输出处理完的效果
          print(soup.prettify())
##########################

# 检测到异常后执行的语句
except:
          print("网页访问失败！")

处理前后效果对比：

处理前：
处理后：

使用BeautifulSoup库对HTML文件进行内容查找

信息的标记的相关概念（非重点）

信息标记的好处：

标记后的信息可以形成信息的组织结构，增加了信息的维度。
标记后的信息可以用于通信、存储或展示。
标记后的结构和信息一样具有重要价值。
标记后的信息有利于程序的理解和应用。

HTML简介：超文本标记语言。HTML是WWW的信息主要组织形式，能够将各种超文本信息嵌入到文本中。HTML通过标签组织不同类型的信息。

信息标记的三种形式：

XML：

基本概念：扩展标记语言，是一种与HTML很接近的标记语言，采用以标签为主来构建和表达信息的方式。
特点：最早的通用信息标记语言，可扩展性好，但是较为繁琐。
举例：（参考北京理工大学慕课）

JSON：

基本概念：由有类型的键值对构成的信息表达格式。
特点：信息有类型，文本信息比例最高，比XML更加简洁。
举例：（参考北京理工大学慕课）

YAML：

基本概念：采用无类型的键值对构成的信息表大格式，通过缩进来表示所属关系。
特点：信息无类型，文本信息比例最高，可读性好。
举例：（参考北京理工大学慕课）

信息提取的一般方法：

完整解析信息的标记形式，再提取关键信息。需要标记解析器，如bs4库对标签树的遍历。特点是信息解析准确，但是提取过程繁琐且速度很慢。
无视标记形式，直接搜索关键信息，对信息的文本进行查找即可。特点是提取过程简洁且速度较快，但是提取结果的准确性和信息内容相关。
融合方法：结合形式解析和搜索方法来提取相关信息，这是实际使用中最好的方法。

find_all()方法（重点）

基本语法：find_all(name,attr,recursive,string)

返回值：返回一个包含满足条件的标签的集合，集合中的每一个元素是一个标签。

name：对标签的名称进行检索的字符串。如果需要同时查找多个标签名，可以传入一个列表。
attrs：对标签属性值的检索字符串，可以标注属性检索。用于查找带有某个指定名称属性的指定名称的标签。
recursive：布尔类型。当为True时表示查找当前标签的所有子孙标签；当为False时表示仅查找当前标签的同一层标签。
string：对一对标签之间的字符串进行检索。

备注：find_all方法的基本语法都只支持精确查找，例如与查找目标相差一个字符，或包含查找目标的情况都无法查找成功，需要借助正则表达式库。

查找某个指定属性为指定值的语法：find_all(属性名=属性值)

备注：此时find_all方法不能再添加attr参数。

综合实例：爬取软科2022中国大学排名

# 进行网站爬取首先需要导入requests库
import requests
# 对网页的HTML内容进行解析需要用到bs4库
import bs4
# 需要使用到bs4库中的BeautifulSoup类对象
from bs4 import BeautifulSoup

# 设置所爬取的软科大学排名网站的URL
URL="https://www.shanghairanking.cn/rankings/bcur/2022"
# 使用request库的get方法爬取该URL对应的网络资源
r=requests.get(URL,timeout=20)
# 网络资源爬取可能失败抛出异常，因此需要考虑异常处理
try:
          # 如果资源爬取异常，则产生一个HTTP异常类对象抛出
          r.raise_for_status()
          # 判断网站是否被认为采用默认编码，如果是的话则修改编码方式
          if r.encoding=="ISO-8859-1":
                    r.encoding=r.apparent_encoding
          # 获取所爬取的网络资源文本
          text=r.text

          # 使用BeautifulSoup对象对网络资源文本进行HTML格式的解析
          HTML=BeautifulSoup(text,"html.parser")
          # 设置一个空的列表用于存储结果
          results=[]
          # 由于所有需要的信息都在body标签中，因此首先截取body标签中的内容
          body=HTML.find_all("body")[0]
          # 找出body标签中的标签名为tr的子标签，基本每个子标签对应一所大学的信息(第一个标签除外）
          trs=body.find_all("tr")
          # 通过遍历的方式逐一提取信息
          UniversityMaxNumber=len(trs)
          for i in range(1,UniversityMaxNumber):
                    # 从每一个tr标签中寻找名字为td的子标签的第一项并记录其内容（大学排名）
                    Rank=trs[i].find_all("td")[0].string.strip()
                    # 从每一个tr标签中寻找名字为a的子标签的第一项并记录其内容（大学名称）
                    University=trs[i].find_all("a")[0].string.strip()
          # 将大学排名和大学名称组合成一个子列表，插入到结果列表中
                    results.append([Rank,University])
          # 输出大学名称和相应的排名
          for i in results:
                    print(i)

# 网络资源爬取失败输出提示信息
except:
          print("网站内容爬取失败！")