zoukankan      html  css  js  c++  java
  • Python爬虫入门教程之BeautifulSoup

    模块安装

    pip3 install beautifulsoup4

    模块导入

    from bs4 import BeautifulSoup

    示例html内容

    RPC是一种比较流行的RPC通信框架,由谷歌公司开源,它提供了对Java、C++以及Python等常用语言的支持。本文主要梳理在Python环境下如何使用gRPC进行通信。

    获取的html内容

    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
    <html xmlns="http://www.w3.org/1999/xhtml">
    <head>
    <script type="text/javascript" src="/js/m.js"></script>
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
    <title>经典小说排行榜-新笔趣阁</title>
    <meta name="keywords" content="新笔趣阁,小说排行榜" />
    <meta name="description" content="新笔趣阁是广大书友最值得收藏的小说排行榜阅读网,网站收录了当前最火热的小说排行榜,免费提供高质量的小说最新章节,是广大网络小说爱好者必备的小说阅读网。" />
    <meta http-equiv="Cache-Control" content="no-siteapp" />
    <meta http-equiv="Cache-Control" content="no-transform" />
    <link rel="stylesheet" href="/css/xbqg.css" />
    <script type="text/javascript" src="http://libs.baidu.com/jquery/1.4.2/jquery.min.js"></script>
    <script type="text/javascript" src="/js/xbqg.js"></script>
    </head>
    <body>
    <div id="wrapper">
        <script>login();</script>
        <div class="header">
            <div class="header_logo">
                <a href="/">新笔趣阁</a>
            </div>
            <script>panel();</script>
        </div>
        <div class="clear"></div>
        <div class="nav">
            <ul>
                <li><a href="/">首页</a></li>
                <li><a href="/evercase.html">永久书架</a></li>
                <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>
                <li><a href="/xclass/2/1.html">武侠仙侠</a></li>
                <li><a href="/xclass/3/1.html">都市言情</a></li>
                <li><a href="/xclass/4/1.html">历史军事</a></li>
                <li><a href="/xclass/5/1.html">科幻灵异</a></li>
                <li><a href="/xclass/6/1.html">网游竞技</a></li>
                <li><a href="/xclass/7/1.html">女频频道</a></li>
                <li><a href="/quanben/">完本小说</a></li>
                <li><a href="/xbqgph.html">排行榜单</a></li>
                <li><a href="/xbqgcase.html">临时书架</a></li>
            </ul>
        </div>
        <div id="main">
            <div class="novelslist2">
            <h2>小说排行榜列表</h2>
            <ul>
                <li><span class="s1"><b>作品分类</b></span><span class="s2"><b>作品名称</b></span><span class="s3"><b>最新章节</b></span><span class="s4"><b>作者</b></span><span class="s5"><b>更新时间</b></span><span class="s6"><b>状态</b></span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/78_78760/" target="_blank">我本港岛电影人</a></span><span class="s3"><a href="/78_78760/1203299.html" target="_blank">今天有更</a></span><span class="s4">再来一盘菇凉</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/1/1.html">玄幻奇幻</a>]</span><span class="s2"><a href="/90_90002/" target="_blank">艾泽拉斯新秩序</a></span><span class="s3"><a href="/90_90002/350275.html" target="_blank">第一百三十六章 卡拉赞的收获</a></span><span class="s4">想静静的顿河</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/90_90842/" target="_blank">超级狂婿</a></span><span class="s3"><a href="/90_90842/350271.html" target="_blank">第654章:他不够格</a></span><span class="s4">我本幸运</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/90_90305/" target="_blank">我在都市修个仙</a></span><span class="s3"><a href="/90_90305/339101.html" target="_blank">完本感言</a></span><span class="s4">一剑荡清风</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/75_75283/" target="_blank">都市超级医圣</a></span><span class="s3"><a href="/75_75283/4165727.html" target="_blank">第2613章 战后处理</a></span><span class="s4">断桥残雪</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/90_90235/" target="_blank">祖传土豪系统</a></span><span class="s3"><a href="/90_90235/350262.html" target="_blank">第二百零五章 我能试试吗</a></span><span class="s4">第九倾城</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/83_83534/" target="_blank">都市红粉图鉴</a></span><span class="s3"><a href="/83_83534/838632.html" target="_blank">第1510章 我,才是坐馆龙头!</a></span><span class="s4">秋江独钓</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/2/1.html">武侠仙侠</a>]</span><span class="s2"><a href="/89_89635/" target="_blank">胜天传奇</a></span><span class="s3"><a href="/89_89635/998995.html" target="_blank">第三百八十章 游历天宫</a></span><span class="s4">骑牛者</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/88_88085/" target="_blank">总裁爸比从天降</a></span><span class="s3"><a href="/88_88085/998993.html" target="_blank">第1748章 奈何自己是婆婆</a></span><span class="s4">一碟茴香豆</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
                <li><span class="s1">[<a href="/xclass/1/1.html">玄幻奇幻</a>]</span><span class="s2"><a href="/89_89996/" target="_blank">太古魔帝</a></span><span class="s3"><a href="/89_89996/998988.html" target="_blank">第一千三百二十四章 魂帝</a></span><span class="s4">草根</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
                
            </ul>
            </div>
            <div class="clear"></div>
        </div>
    </div>
    <div class="footer">
        <div class="footer_cont"><script>footer();dl();</script></div>
    </div>
    </body>
    </html>

    构建BeautifulSoup对象

    常用四种解释器

    常用命令:

    安装
    pip install SomePackage              # 最新版本
    pip install SomePackage==1.0.4       # 指定版本
    pip install 'SomePackage>=1.0.4'     # 最小版本
    
    卸载安装包命令
    pip uninstall <包名> 或 pip uninstall -r requirements.txt
    
    升级
    pip install -U <包名> 或:pip install <包名> --upgrade
    
    查看
    pip freeze #查看已经安装的包及版本信息
    
    列出可以升级的包
    pip list -o
    
    搜索包
    pip search <pkgName>
    
    查看包详情
    pip show <pkgName>

    find_all根据条件获取节点

    find_all( name , attrs , recursive , text , **kwargs )
    name :查找所有名字为 name 的tag,字符串对象会被自动忽略掉;
    attrs:根据属性查询,使用字典类型;
    text :可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True ;
    recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False ;
    limit:find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果;
    class_ :通过 class_ 参数搜索有指定CSS类名的tag,class_ 参数同样接受不同类型的 过滤器 ,字符串,正则表达式,方法或 True。

    根据标签名字

    lis = soup.find_all(name="li")
    for item in lis:
        print(item)
    
    结果是
    <li><a href="/">首页</a></li>
    <li><a href="/evercase.html">永久书架</a></li>
    <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>
    <li><a href="/xclass/2/1.html">武侠仙侠</a></li>
    <li><a href="/xclass/3/1.html">都市言情</a></li>
    <li><a href="/xclass/4/1.html">历史军事</a></li>
    <li><a href="/xclass/5/1.html">科幻灵异</a></li>
    <li><a href="/xclass/6/1.html">网游竞技</a></li>
    <li><a href="/xclass/7/1.html">女频频道</a></li>
    <li><a href="/quanben/">完本小说</a></li>
    <li><a href="/xbqgph.html">排行榜单</a></li>
    <li><a href="/xbqgcase.html">临时书架</a></li>
    <li><span class="s1"><b>作品分类</b></span><span class="s2"><b>作品名称</b></span><span class="s3"><b>最新章节</b></span><span class="s4"><b>作者</b></span><span class="s5"><b>更新时间</b></span><span class="s6"><b>状态</b></span></li>
    <li><span class="s1">[<a href="/xclass/3/1.html">都市言情</a>]</span><span class="s2"><a href="/90_90590/" target="_blank">我能举报万物</a></span><span class="s3"><a href="/90_90590/361969.html" target="_blank">第九十六章 巡抚视察【第三更】</a></span><span class="s4">必火</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/5/1.html">科幻灵异</a>]</span><span class="s2"><a href="/81_81279/" target="_blank">女战神的黑包群</a></span><span class="s3"><a href="/81_81279/1140238.html" target="_blank">第3046章 恶毒女配,在线提刀45</a></span><span class="s4">二谦</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/1/1.html">玄幻奇幻</a>]</span><span class="s2"><a href="/89_89699/" target="_blank">花岗岩之怒</a></span><span class="s3"><a href="/89_89699/999707.html" target="_blank">第一百五十二章 意外到来的断剑</a></span><span class="s4">咱的小刀</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/6/1.html">网游竞技</a>]</span><span class="s2"><a href="/77_77363/" target="_blank">超神机械师</a></span><span class="s3"><a href="/77_77363/1338182.html" target="_blank">1090 韭菜的自觉</a></span><span class="s4">齐佩甲</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/2/1.html">武侠仙侠</a>]</span><span class="s2"><a href="/59_59644/" target="_blank">无量真途</a></span><span class="s3"><a href="/59_59644/3199234.html" target="_blank">第六百三十二章 突然出现的神智</a></span><span class="s4">燕十千</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/5/1.html">科幻灵异</a>]</span><span class="s2"><a href="/88_88061/" target="_blank">我的细胞监狱</a></span><span class="s3"><a href="/88_88061/999706.html" target="_blank">第四百五十九章 白雾</a></span><span class="s4">穿黄衣的阿肥</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/2/1.html">武侠仙侠</a>]</span><span class="s2"><a href="/88_88375/" target="_blank">前任无双</a></span><span class="s3"><a href="/88_88375/999705.html" target="_blank">第三百章 事急速办</a></span><span class="s4">跃千愁</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/2/1.html">武侠仙侠</a>]</span><span class="s2"><a href="/90_90719/" target="_blank">元阳道君</a></span><span class="s3"><a href="/90_90719/361968.html" target="_blank">第四十章 洞开</a></span><span class="s4">剑扼虚空</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/4/1.html">历史军事</a>]</span><span class="s2"><a href="/88_88151/" target="_blank">逆成长巨星</a></span><span class="s3"><a href="/88_88151/999704.html" target="_blank">655:不是办法的办法</a></span><span class="s4">葛洛夫街兄弟</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>
    <li><span class="s1">[<a href="/xclass/4/1.html">历史军事</a>]</span><span class="s2"><a href="/89_89303/" target="_blank">承包大明</a></span><span class="s3"><a href="/89_89303/999703.html" target="_blank">第一百九十三章 真会玩</a></span><span class="s4">南希北庆</span><span class="s5">2019-11-16</span><span class="s6">连载中</span></li>

    在开发Python应用程序的时候,系统安装的Python3只有一个版本:3.4。所有第三方的包都会被pip安装到Python3的site-packages目录下。

    如果我们要同时开发多个应用程序,那这些应用程序都会共用一个Python,就是安装在系统的Python 3。如果应用A需要jinja 2.7,而应用B需要jinja 2.6怎么办?

    这种情况下,每个应用可能需要各自拥有一套“独立”的Python运行环境。virtualenv就是用来为一个应用创建一套“隔离”的Python运行环境。

    获取html内容代码

    import requests
    
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36 115Browser/9.0.0"
    }
    response = requests.get("https://www.xbiquge6.com/xbqgph.html",headers=headers)
    response.encoding = "utf-8"
    html = response.text
    print(html)

    根据标签属性

    属性和值以字典形式传入

    lis = soup.find_all(attrs={"class":"s2"})
    for item in lis:
        print(item)
    
    结果是
    <span class="s2"><b>作品名称</b></span>
    <span class="s2"><a href="/90_90590/" target="_blank">我能举报万物</a></span>
    <span class="s2"><a href="/81_81279/" target="_blank">女战神的黑包群</a></span>
    <span class="s2"><a href="/89_89699/" target="_blank">花岗岩之怒</a></span>
    <span class="s2"><a href="/77_77363/" target="_blank">超神机械师</a></span>
    <span class="s2"><a href="/59_59644/" target="_blank">无量真途</a></span>
    <span class="s2"><a href="/88_88061/" target="_blank">我的细胞监狱</a></span>
    <span class="s2"><a href="/88_88375/" target="_blank">前任无双</a></span>
    <span class="s2"><a href="/90_90719/" target="_blank">元阳道君</a></span>
    <span class="s2"><a href="/88_88151/" target="_blank">逆成长巨星</a></span>
    <span class="s2"><a href="/89_89303/" target="_blank">承包大明</a></span>

    限制搜索范围

    find_all 方法会搜索当前标签的所有子孙节点,如果只想搜索直接子节点,可以使用参数 recursive=False

    遍历获取子节点

    .contents获取所有子节点

    以列表形式返回所有子节点,要注意,列表里面还会掺杂 'n'

    ul = soup.ul
    print(ul)
    print(ul.contents)
    
    结果是
    <ul>
    <li><a href="/">首页</a></li>
    <li><a href="/evercase.html">永久书架</a></li>
    <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>
    <li><a href="/xclass/2/1.html">武侠仙侠</a></li>
    <li><a href="/xclass/3/1.html">都市言情</a></li>
    <li><a href="/xclass/4/1.html">历史军事</a></li>
    <li><a href="/xclass/5/1.html">科幻灵异</a></li>
    <li><a href="/xclass/6/1.html">网游竞技</a></li>
    <li><a href="/xclass/7/1.html">女频频道</a></li>
    <li><a href="/quanben/">完本小说</a></li>
    <li><a href="/xbqgph.html">排行榜单</a></li>
    <li><a href="/xbqgcase.html">临时书架</a></li>
    </ul>
    ['
    ', <li><a href="/">首页</a></li>, '
    ', <li><a href="/evercase.html">永久书架</a></li>, '
    ', <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>, '
    ', <li><a href="/xclass/2/1.html">武侠仙侠</a></li>, '
    ', <li><a href="/xclass/3/1.html">都市言情</a></li>, '
    ', <li><a href="/xclass/4/1.html">历史军事</a></li>, '
    ', <li><a href="/xclass/5/1.html">科幻灵异</a></li>, '
    ', <li><a href="/xclass/6/1.html">网游竞技</a></li>, '
    ', <li><a href="/xclass/7/1.html">女频频道</a></li>, '
    ', <li><a href="/quanben/">完本小说</a></li>, '
    ', <li><a href="/xbqgph.html">排行榜单</a></li>, '
    ', <li><a href="/xbqgcase.html">临时书架</a></li>, '
    ']

    .children获取所有子节点

    返回一个list生成器对象

    ul = soup.ul
    print(ul.children)
    print(list(ul.children))
    
    结果是
    ['
    ', <li><a href="/">首页</a></li>, '
    ', <li><a href="/evercase.html">永久书架</a></li>, '
    ', <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>, '
    ', <li><a href="/xclass/2/1.html">武侠仙侠</a></li>, '
    ', <li><a href="/xclass/3/1.html">都市言情</a></li>, '
    ', <li><a href="/xclass/4/1.html">历史军事</a></li>, '
    ', <li><a href="/xclass/5/1.html">科幻灵异</a></li>, '
    ', <li><a href="/xclass/6/1.html">网游竞技</a></li>, '
    ', <li><a href="/xclass/7/1.html">女频频道</a></li>, '
    ', <li><a href="/quanben/">完本小说</a></li>, '
    ', <li><a href="/xbqgph.html">排行榜单</a></li>, '
    ', <li><a href="/xbqgcase.html">临时书架</a></li>, '
    ']

    .descendants遍历所有子孙节点

    ul = soup.ul
    for item in ul.descendants:
        print(item)
    
    结果是(中间很多'
    '空行我删掉了)
    <li><a href="/">首页</a></li>
    <a href="/">首页</a>
    首页
    <li><a href="/evercase.html">永久书架</a></li>
    <a href="/evercase.html">永久书架</a>
    永久书架
    <li><a href="/xclass/1/1.html">玄幻奇幻</a></li>
    <a href="/xclass/1/1.html">玄幻奇幻</a>
    玄幻奇幻
    <li><a href="/xclass/2/1.html">武侠仙侠</a></li>
    <a href="/xclass/2/1.html">武侠仙侠</a>
    武侠仙侠
    <li><a href="/xclass/3/1.html">都市言情</a></li>
    <a href="/xclass/3/1.html">都市言情</a>
    都市言情
    <li><a href="/xclass/4/1.html">历史军事</a></li>
    <a href="/xclass/4/1.html">历史军事</a>
    历史军事
    <li><a href="/xclass/5/1.html">科幻灵异</a></li>
    <a href="/xclass/5/1.html">科幻灵异</a>
    科幻灵异
    <li><a href="/xclass/6/1.html">网游竞技</a></li>
    <a href="/xclass/6/1.html">网游竞技</a>
    网游竞技
    <li><a href="/xclass/7/1.html">女频频道</a></li>
    <a href="/xclass/7/1.html">女频频道</a>
    女频频道
    <li><a href="/quanben/">完本小说</a></li>
    <a href="/quanben/">完本小说</a>
    完本小说
    <li><a href="/xbqgph.html">排行榜单</a></li>
    <a href="/xbqgph.html">排行榜单</a>
    排行榜单
    <li><a href="/xbqgcase.html">临时书架</a></li>
    <a href="/xbqgcase.html">临时书架</a>
    临时书架

    获取其父节点

    a = soup.li.a
    print(a)
    p = a.parent
    print(p)
    
    结果是
    <a href="/">首页</a>
    <li><a href="/">首页</a></li>

    提取节点信息

    节点名称

    感觉没什么用

    title = soup.title
    print(title.name)
    
    结果是
    title

    节点属性

    a = soup.li.a
    print(a)
    print(a.attrs)    # 获取所有属性,返回字典形式
    print(a['href'])# 获取a节点的href属性值
    
    结果是
    <a href="/">首页</a>
    {'href': '/'}
    /

    节点文本

    a = soup.li.a
    print(type(a.string)) # 节点内文本的类型
    print(a.string) # 获取节点内的文本内容
    print(a.get_text())    # 也是获取节点内的文本内容
    结果是
    <class 'bs4.element.NavigableString'>
    首页

    注意!!!如果节点内文本是注释,则用string取出文本时会自动去除注释标记
    注释的类型:<class 'bs4.element.Comment'>,可以通过类型判断

    遍历获取所有子孙节点中的文本

    for string in soup.stripped_strings:  # 去除多余空白内容
        print(repr(string))
  • 相关阅读:
    Unity UGUI基础之Text
    Unity UGUI之Canvas&EventSystem
    ROS(indigo)国外开源示例包括多机器人控制等基于V-Rep和Gazebo的仿真
    lk中内联调用的dsb()
    svn 回退/更新/取消至某个版本命令详解
    ubuntu16.04中可以用于教学的有趣的应用
    高级UI晋升之布局ViewGroup(四)
    高级UI晋升之常用View(三)下篇
    高级UI晋升之常用View(三)中篇
    高级UI晋升之常用View(三)上篇
  • 原文地址:https://www.cnblogs.com/pythoncxy/p/11908697.html
Copyright © 2011-2022 走看看