# 1. 概括
- 获取页面: urllib, requests
- 解析页面信息: 正则表达式, BeautifulSoup4(BS4)
# 2. BS4简介
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个
工具箱，通过解析文档为tiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。
你不需要考虑编码方式，除非文档没有指定一个编一下原始编码方式就可以了。
# 3. BS4的4种对象
## 2-1. BeautifulSoup对象
## 2-2. Tag对象
Tag就是html中的一个标签，用BeautifulSoup就能解析出来Tag的具体内容，
具体的格式为soup.name,其中name是html下的标签。
bs4中可以运用的四个解析器
解析器:使用方法:优势:劣势
Python标准库
BeautifulSoup(markup, "html.parser")
Python的内置标准库
执行速度适中
文档容错能力强
Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml
HTML 解析器 BeautifulSoup(markup, "lxml")
速度快
文档容错能力强
需要安装C语言库
lxml
XML 解析器
BeautifulSoup(markup, ["lxml-xml"])
BeautifulSoup(markup, "xml")
速度快
唯一支持XML的解析器
需要安装C语言库
html5lib
BeautifulSoup(markup, "html5lib")
最好的容错性
以浏览器的方式解析文档
生成HTML5格式的文档
速度慢
不依赖外部扩展
bs4的基本使用方式
import re
from bs4 import BeautifulSoup
html="""
<html>
<head><title>story12345</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"><span>westos</span><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister1" 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>
<input type='password'>...</input>
"""
#生成一个bs4对象，同时html.parser为html的解析方式
soup=BeautifulSoup(html,'html.parser')
#优化html，使其模式更完整(会补充相应的不完整的标签)
soup.prettify()
# 1. 根据标签获取内容;
# ******************标签的常用属性************************
# # 根据格式化， 如果title只有一个， 根据标签可以获取
print(soup.title)
# 标签的名称
print(soup.title.name)
# 获取标签里面的属性信息
print(soup.a.attrs)
# # *******************标签常用的方法*************************
# #get方法用于得到标签下的属性值，注意这是一个重要的方法，在许多场合都能用到，
# 如你要得到<img src=”#”>标签下的图像url,那么就可以用soup.img.get(‘src’)
print(soup.a.get('href'))
#或者直接得到属性里面的内容
print(soup.a.attrs['href'])
# string得到标签下的文本内容，只有在此标签下没有子标签，
# 或者只有一个子标签的情况下才能返回其中的内容，否则返回的是None;
# get_text()可以获得一个标签中的所有文本内容，包括子孙节点的内容，这是最常用的方法
print(soup.a.string) # 标签里面的内容
print(soup.a.get_text())
# *******************对获取的属性信息进行修改***********************
soup.a['href']='http://www.baidu.com'
print(soup.a['href'])
# # 2. 面向对象的匹配
#查找符合条件的第一个标签；
print(soup.find('a'))
# 查找符合条件的所有标签;
print(soup.find_all('a'))
# 需求: 获取所有的a标签， 并且类名为"sister1"
print(soup.find_all('a',class_='sister1'))
# 3. 根据标签里内容进行匹配
print(soup.find_all(text="story12345"))
#如果不确定标签里内容，可以模糊查找(re模块重新编译以正则表达式的方式查找要编译的内容)
print(soup.find_all(text=re.compile('.*?story.*?')))
##综合运用
#查找第一个p标签下属性class属性以ti开头的标签所有属性信息
print(soup.find('p',class_=re.compile(r'^ti.*?')))
#查找title或者a标签下属性class为title或者sister的标签所有属性信息
print(soup.find_all(['title', 'a'], class_=['title', 'sister']))
# 4. CSS匹配
# 标签选择器
print(soup.select("title"))
# 类选择器(.类名)
print(soup.select(".sister"))
# id选择器(#id名称)
print(soup.select("#link1"))
# 属性选择器()
print(soup.select("input[type='password']"))
-爬取个人博客_去掉广告与导航栏
1.解析url地址
2.分析解析后的页面信息，查找自己需要的信息
3.保存为html格式
"""
import requests
from bs4 import BeautifulSoup
#解析url地址，
def get_content(url):
try:
#获得浏览器，并以浏览器的方式爬去网页
user_agent='Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0'
#，解析url地址，获得反馈，设置头部信息
response=requests.get(url,headers={'User-Agent':user_agent})
# 如果返回的状态码不是200， 则抛出异常
response.raise_for_status()
# 判断网页的编码格式， 便于respons.text知道如何解码;
response.encoding=response.apparent_encoding
except Exception as e:
print('爬取错误')
print(e)
else:
print('爬取成功')
#返回的是bytes类型的数据
return response.content
#返回的是str类型的数据
#return response.text
#解析页面信息
def parser_content(html):
# 实例化soup对象， 便于处理；
soup=BeautifulSoup(html,'html.parser')
# 提取页面的头部信息， 解决乱码问题
headobj=soup.head
# 提取需要的内容,第0个索引是把他从列表里拿出来;
divobj=soup.find_all('div',class_='blog-content-box')[0]
#提取连接外部JS的信息
scritobj=soup.script
with open ('doc/csdn.html','w') as f:
# 写入头部信息(指定编码格式和标题)
f.write(str(headobj))
# 写入博客正文;
f.write(str(divobj))
# 写入js信息
f.write(str(scritobj))
print('下载成功...')
if __name__ == '__main__':
url='https://blog.csdn.net/GLH_2236504154/article/details/87119849'
html=get_content(url)
parser_content(html)
个人博客的整理
import requests
from bs4 import BeautifulSoup
#解析url地址，
def get_content(url):
try:
#获得浏览器，并以浏览器的方式爬去网页
user_agent='Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0'
#，解析url地址，获得反馈，设置头部信息
response=requests.get(url,headers={'User-Agent':user_agent})
# 如果返回的状态码不是200， 则抛出异常
response.raise_for_status()
# 判断网页的编码格式， 便于respons.text知道如何解码;
response.encoding=response.apparent_encoding
except Exception as e:
print('爬取错误')
print(e)
else:
print('爬取成功')
#返回的是bytes类型的数据
return response.content
#返回的是str类型的数据
#return response.text
def parser_content(html):
# 实例化soup对象， 便于处理；
soup=BeautifulSoup(html,'html.parser')
# 1). 获取每个博客的大盒子：
# 特征: div标签, class名称一致article-item-box csdn-tracking-statistics
divobjs=soup.find_all('div',class_='article-item-box csdn-tracking-statistics')
# 2). 依次遍历每一个div标签， 获取博客标题
# 博客标题的特征: h4里面的a标签里面的内容
# 去掉默认的广告, 留下个人的博客内容;
for divobj in divobjs[1:]:#对象内第一个是广告
#获取博客标题: 去掉原创或者转载的信息， 只需要博客名称;
title=divobj.h4.a.get_text().split()[1]
#获取博客链接， 也就是获取a链接中href对应的值；
blogurl=divobj.h4.a.get('href')
#将爬取的所有内容都保存的到列表中
bloginfo.append((title,blogurl))
return bloginfo
def save_parser(bloginfo):
with open ('doc/mybolg.md','a') as f:
#博客是从最新的开始，第一篇博客在最后，所以需要反转
for index,info in enumerate(bloginfo[::-1]):
f.write('- 第%d篇博客: [%s](%s)\n'%(index+1,info[0],info[1]))
print('第写入完成..')
if __name__ == '__main__':
blogpage=2
# 全局变量， 用于保存所有博客信息;
bloginfo=[]
for page in range(1,blogpage+1):
url='https://blog.csdn.net/GLH_2236504154/article/list/%d?' %page
html=get_content(url)
parser_content(html)
save_parser(bloginfo)
csv的写入和读取
csv格式存储： csv文件格式是一种通用的电子表格和数据库导入导出格式。
1:西安邮电:西安:90
1,西安邮电,西安,90
# 读取csv文件
import csv
with open('some.csv', 'rb') as f: # 采用b的方式处理可以省去很多问题
reader = csv.reader(f)
for row in reader:
# do something with row, such as row[0],row[1]
import csv
with open('some.csv', 'wb') as f: # 采用b的方式处理可以省去很多问题
writer = csv.writer(f)
writer.writerows(someiterable)
"""
import csv
with open('doc/example.csv', 'w') as f:
writer = csv.writer(f)
# 将列表的每条数据依次写入csv文件， 并以逗号分隔
writer.writerows([['1', '2', '3'], ['4', '5', '6']])
with open('doc/example.csv', 'r') as f:
reader = csv.reader(f)
for row in reader:
print(row)
中国最好大学排名信息爬取
import csv
import requests
from bs4 import BeautifulSoup
import bs4
#解析url地址，
def get_content(url):
try:
#获得浏览器，并以浏览器的方式爬去网页
user_agent='Mozilla/5.0 (X11; Linux x86_64; rv:38.0) Gecko/20100101 Firefox/38.0'
#，解析url地址，获得反馈，设置头部信息
response=requests.get(url,headers={'User-Agent':user_agent})
# 如果返回的状态码不是200， 则抛出异常
response.raise_for_status()
# 判断网页的编码格式， 便于respons.text知道如何解码;
response.encoding=response.apparent_encoding
except Exception as e:
print('爬取错误')
print(e)
else:
print('爬取成功')
#返回的是bytes类型的数据
return response.content
#返回的是str类型的数据
#return response.text
def parser_content(html):
"""解析页面内容， 需要获取: 学校排名， 学校名称， 省份， 总分"""
soup=BeautifulSoup(html,'lxml')
# 该页面只有一个表格， 也只有一个tbody标签;
# 获取tbosy里面的所有子标签, 返回的是生成器： soup.find('tbody').children
# 获取tbosy里面的所有子标签, 返回的是列表： soup.find('tbody').contents
messages=[]
for tr in soup.find('tbody').children:
# 有可能没有内容， 获取的tr标签不存在, 判断是否为标签对象?
if isinstance(tr,bs4.element.Tag):
# 返回tr里面的所有td标签;
tds=tr('td')
# 将每个学校信息以元组的方式存储到列表变量messages中;
messages.append((tds[0].string,tds[1].string,tds[2].string,tds[3].string))
return messages
def printmessages(messages):
#打印学校信息
# format的使用: {0} 变量的位置, 冒号后面执行属性信息: ^10占10个字节位置， 并且居中
print('{0:10} {1:10} {2:10} {3:10}'.format("排名", '学校名称', "省份/城市", "总分"))
for item in messages:
print("{0:^10} {1:^10} {2:^10} {3:^10}".format(item[0], item[1], item[2], item[3]))
def save_csv(messages,year):
with open('doc/colloge_%s.csv'%year,'w') as f:
writer=csv.writer(f)
# 将列表的每条数据依次写入csv文件， 并以逗号分隔
writer.writerows(messages)
if __name__ == '__main__':
start_year=int(input('开始爬取的年份：'))
end_year=int(input('结束爬取的年份：'))
#爬取多年的排名信息并分别保存
for year in range(start_year,end_year+1):
url='http://www.zuihaodaxue.com/zuihaodaxuepaiming%s.html'%year
html=get_content(url)
messages=parser_content(html)
printmessages(messages)
save_csv(messages,year)
print("%s年信息爬取成功......" %(year))
