使用BeautifulSoup和lxml解析网页中的元素（一）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_36143023/article/details/80844710

一、安装第三方爬虫库BeautifulSoup

二、安装lxml类库

（1）首先，安装wheel。

先进入python安装目录下的scripts目录  cd xxxxxxxx

pip3 install wheel

（2）查看自己的python版本的支持情况

从网站下载对应版本支持的lxml的whl文件，网址为：

【点击打开链接】https://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml

下载完成后，在cmd中

pip install 绝对路径\文件名.whl

软件安装至此完毕。

二、用BeautifulSoup和lxml解析库解析网站

我用的是本地html文件进行的实验：

from bs4 import BeautifulSoup
with open("D:\\user\\Desktop\\the_blah.html") as wb_data:
    Soup = BeautifulSoup(wb_data,'lxml')
    print(Soup)

运行结果，解析出网站的html代码：

三、选择需要的网页元素并找到正确的路径

这里使用CSS Slector描述目的资源在html代码中的位置信息。比如要获得图片和描述，网站是这样子的：

选择其中的一个图片，右击，选择 copy -> copy selector，黏贴后是这样的形式:

body > div.main - content > ul > li: nth - child(1) > img

由于这只是其中的一个图片，所以所有图片的位置描述应该是：

body > div.main-content > ul > li > img

然后使用beautifulsoup中的select方法可以挑选出这些符合条件的标签，效果如图：

from bs4 import BeautifulSoup
with open("D:\\user\\Desktop\\the_blah.html") as wb_data:
    Soup = BeautifulSoup(wb_data,'lxml')
    images=Soup.select("body > div.main-content > ul > li > img")
    desc=Soup.select('body > div.main-content > ul > li > p')
    print(images,desc,sep='\n-----\n')

四、从提取的标签中筛选所需的信息

文本信息使用get_text()函数

图片属性使用get('src')函数获得

代码如下：

from bs4 import BeautifulSoup
with open("D:\\user\\Desktop\\the_blah.html") as wb_data:
    Soup = BeautifulSoup(wb_data,'lxml')
    images=Soup.select("body > div.main-content > ul > li > img")
    desc=Soup.select('body > div.main-content > ul > li > p')

#zip函数会返回一个以元组为元素的列表
for images,desc in zip(images,desc):
    data={
        #获得属性用get函数
        'images':images.get('src'),
        'desc':desc.get_text()
    }
    print(data)

运行结果：

最后按自己的要求操作字典、列表等，取出所需数据即可。