Python網(wǎng)絡數(shù)據(jù)采集1-Beautifulsoup的使用

Python網(wǎng)絡數(shù)據(jù)采集1-Beautifulsoup的使用

來自此書: [美]Ryan Mitchell 《Python網(wǎng)絡數(shù)據(jù)采集》,例子是照搬的,覺得跟著敲一遍還是有作用的昙沦,所以記錄下來。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page1.html')
soup = BeautifulSoup(res.text, 'lxml')
print(soup.h1)

<h1>An Interesting Title</h1>

使用urllib訪問頁面是這樣的载荔,read返回的是字節(jié)盾饮,需要解碼為utf-8的文本。像這樣a.read().decode('utf-8')懒熙,不過在使用bs4解析時候丘损,可以直接傳入urllib庫返回的響應對象。

import urllib.request

a = urllib.request.urlopen('https://www.pythonscraping.com/pages/page1.html')
soup = BeautifulSoup(a, 'lxml')
print(soup.h1)
<h1>An Interesting Title</h1>

抓取所有CSS class屬性為green的span標簽工扎,這些是人名徘钥。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/warandpeace.html')
soup = BeautifulSoup(res.text, 'lxml')
green_names = soup.find_all('span', class_='green')
for name in green_names:
    print(name.string)
Anna
Pavlovna Scherer
Empress Marya
Fedorovna
Prince Vasili Kuragin
Anna Pavlovna
St. Petersburg
the prince
Anna Pavlovna
Anna Pavlovna
...

孩子(child)和后代(descendant)是不一樣的。孩子標簽就是父標簽的直接下一代肢娘,而后代標簽則包括了父標簽下面所有的子子孫孫呈础。通俗來說,descendant包括了child橱健。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page3.html')
soup = BeautifulSoup(res.text, 'lxml')
gifts = soup.find('table', id='giftList').children
for name in gifts:
    print(name)
<tr><th>
Item Title
</th><th>
Description
</th><th>
Cost
</th><th>
Image
</th></tr>


<tr class="gift" id="gift1"><td>
Vegetable Basket
</td><td>
This vegetable basket is the perfect gift for your health conscious (or overweight) friends!
<span class="excitingNote">Now with super-colorful bell peppers!</span>
</td><td>
$15.00
</td><td>
![](../img/gifts/img1.jpg)
</td></tr>


<tr class="gift" id="gift2"><td>
Russian Nesting Dolls
</td><td>
Hand-painted by trained monkeys, these exquisite dolls are priceless! And by "priceless," we mean "extremely expensive"! <span class="excitingNote">8 entire dolls per set! Octuple the presents!</span>
</td><td>
$10,000.52
</td><td>
![](../img/gifts/img2.jpg)
</td></tr>

找到表格后而钞,選取當前結(jié)點為tr,并找到這個tr之后的兄弟節(jié)點拘荡,由于第一個tr為表格標題臼节,這樣的寫法能提取出所有除開表格標題的正文數(shù)據(jù)。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page3.html')
soup = BeautifulSoup(res.text, 'lxml')
gifts = soup.find('table', id='giftList').tr.next_siblings
for name in gifts:
    print(name)
<tr class="gift" id="gift1"><td>
Vegetable Basket
</td><td>
This vegetable basket is the perfect gift for your health conscious (or overweight) friends!
<span class="excitingNote">Now with super-colorful bell peppers!</span>
</td><td>
$15.00
</td><td>
![](../img/gifts/img1.jpg)
</td></tr>


<tr class="gift" id="gift2"><td>
Russian Nesting Dolls
</td><td>
Hand-painted by trained monkeys, these exquisite dolls are priceless! And by "priceless," we mean "extremely expensive"! <span class="excitingNote">8 entire dolls per set! Octuple the presents!</span>
</td><td>
$10,000.52
</td><td>
![](../img/gifts/img2.jpg)
</td></tr>

查找商品的價格,可以根據(jù)商品的圖片找到其父標簽<td>网缝,其上一個兄弟標簽就是價格巨税。

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page3.html')
soup = BeautifulSoup(res.text, 'lxml')
price = soup.find('img', src='../img/gifts/img1.jpg').parent.previous_sibling.string
print(price)
$15.00

采集所有商品圖片,為了避免其他圖片亂入粉臊。使用正則表達式精確搜索草添。

import re
import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page3.html')
soup = BeautifulSoup(res.text, 'lxml')
imgs= soup.find_all('img', src=re.compile(r'../img/gifts/img.*.jpg'))
for img in imgs:
    print(img['src'])
../img/gifts/img1.jpg
../img/gifts/img2.jpg
../img/gifts/img3.jpg
../img/gifts/img4.jpg
../img/gifts/img6.jpg

find_all()還可以傳入函數(shù),對這個函數(shù)有個要求:就是其返回值必須是布爾類型扼仲,若是True則保留果元,若是False則剔除。

import re
import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.pythonscraping.com/pages/page3.html')
soup = BeautifulSoup(res.text, 'lxml')
# lambda tag: tag.name=='img'
tags = soup.find_all(lambda tag: tag.has_attr('src'))
for tag in tags:
    print(tag)
![](../img/gifts/logo.jpg)
![](../img/gifts/img1.jpg)
![](../img/gifts/img2.jpg)
![](../img/gifts/img3.jpg)
![](../img/gifts/img4.jpg)
![](../img/gifts/img6.jpg)

tag是一個Element對象犀盟,has_attr用來判斷是否有該屬性。tag.name則是獲取標簽名蝇狼。在上面的網(wǎng)頁中阅畴,下面的寫法返回的結(jié)果一樣。
lambda tag: tag.has_attr('src')lambda tag: tag.name=='img'


by @sunhaiyu

2017.7.14

最后編輯于
?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末迅耘,一起剝皮案震驚了整個濱河市贱枣,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌颤专,老刑警劉巖纽哥,帶你破解...
    沈念sama閱讀 206,126評論 6 481
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異栖秕,居然都是意外死亡春塌,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,254評論 2 382
  • 文/潘曉璐 我一進店門簇捍,熙熙樓的掌柜王于貴愁眉苦臉地迎上來只壳,“玉大人,你說我怎么就攤上這事暑塑『鹁洌” “怎么了?”我有些...
    開封第一講書人閱讀 152,445評論 0 341
  • 文/不壞的土叔 我叫張陵事格,是天一觀的道長惕艳。 經(jīng)常有香客問我,道長驹愚,這世上最難降的妖魔是什么远搪? 我笑而不...
    開封第一講書人閱讀 55,185評論 1 278
  • 正文 為了忘掉前任,我火速辦了婚禮么鹤,結(jié)果婚禮上终娃,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好棠耕,可當我...
    茶點故事閱讀 64,178評論 5 371
  • 文/花漫 我一把揭開白布余佛。 她就那樣靜靜地躺著,像睡著了一般窍荧。 火紅的嫁衣襯著肌膚如雪辉巡。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 48,970評論 1 284
  • 那天蕊退,我揣著相機與錄音郊楣,去河邊找鬼。 笑死瓤荔,一個胖子當著我的面吹牛净蚤,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播输硝,決...
    沈念sama閱讀 38,276評論 3 399
  • 文/蒼蘭香墨 我猛地睜開眼今瀑,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了点把?” 一聲冷哼從身側(cè)響起橘荠,我...
    開封第一講書人閱讀 36,927評論 0 259
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎郎逃,沒想到半個月后哥童,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 43,400評論 1 300
  • 正文 獨居荒郊野嶺守林人離奇死亡褒翰,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 35,883評論 2 323
  • 正文 我和宋清朗相戀三年贮懈,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片优训。...
    茶點故事閱讀 37,997評論 1 333
  • 序言:一個原本活蹦亂跳的男人離奇死亡错邦,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出型宙,到底是詐尸還是另有隱情撬呢,我是刑警寧澤,帶...
    沈念sama閱讀 33,646評論 4 322
  • 正文 年R本政府宣布妆兑,位于F島的核電站魂拦,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏搁嗓。R本人自食惡果不足惜芯勘,卻給世界環(huán)境...
    茶點故事閱讀 39,213評論 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望腺逛。 院中可真熱鬧荷愕,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,204評論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至荐类,卻和暖如春怖现,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背玉罐。 一陣腳步聲響...
    開封第一講書人閱讀 31,423評論 1 260
  • 我被黑心中介騙來泰國打工屈嗤, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人吊输。 一個月前我還...
    沈念sama閱讀 45,423評論 2 352
  • 正文 我出身青樓饶号,卻偏偏與公主長得像,于是被迫代替她去往敵國和親季蚂。 傳聞我的和親對象是個殘疾皇子讨韭,可洞房花燭夜當晚...
    茶點故事閱讀 42,722評論 2 345

推薦閱讀更多精彩內(nèi)容