今天來跟大家分享用 BeautifulSoup 獲取信息的一些知識點，文章內容由公眾號讀者 Peter 創作。

歡迎各位童鞋向公眾號投稿，點擊下面圖片了解詳情！

爬蟲，是學習Python的一個有用的分支，互聯網時代，信息浩瀚如海，如果能夠便捷的獲取有用的信息，我們便有可能領先一步，而爬蟲正是這樣的一個工具。

Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫。由于 BeautifulSoup 是基于 Python，所以相對來說速度會比另一個 Xpath 會慢點，但是其功能也是非常的強大，本文會介紹該庫的基本使用方法，幫助讀者快速入門。

網上有很多的學習資料，但是超詳細學習內容還是非官網莫屬，資料傳送門：

英文官網：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/

中文官網：
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

本文的主要內容如下：

安裝和使用

安裝

安裝過程非常簡單，直接使用pip即可：

pip install beautifulsoup4

上面安裝庫最后的4是不能省略的，因為還有另一個庫叫作 beautifulsoup，但是這個庫已經停止開發了。

因為BS4在解析數據的時候是需要依賴一定的解析器，所以還需要安裝解析器，我們安裝強大的lxml：

pip install lxml

在python交互式環境中導入庫，沒有報錯的話，表示安裝成功。

使用

使用過程直接導入庫：

from bs4 import BeautifulSoup

解析原理

解析原理

• 實例化一個BeautifulSoup對象，并且將本地或者頁面源碼數據加載到該對象中
• 通過調用該對象中相關的屬性或者方法進行標簽定位和數據提取

如何實例化BeautifulSoup對象

1. 將本地的HTML文檔中的數據加載到BS對象中
2. 將網頁上獲取的頁面源碼數據加載到BS對象中

案例解析

原數據

假設我們現在本地有一個HTML文件待解析，具體內容如下，數據中有各種HTML標簽：html、head、body、div、p、a、ul、li等

加載數據

from bs4 import BeautifulSoup

fp = open('./test.html','r',encoding='utf-8')  # 打開本地文件
soup = BeautifulSoup(fp,'lxml')
soup

所有的數據解析都是基于soup對象的，下面開始介紹各種解析數據方法：

soup.tagName

soup.TagName返回的是該標簽第一次出現的內容，以a標簽為例：

數據中多次出現a標簽，但是只會返回第一次出現的內容

我們再看下div標簽：

出現了2次，但是只會返回第一次的內容：

soup.find(‘tagName’)

find()主要是有兩個方法：

• 返回某個標簽第一次出現的內容，等同于上面的soup.tagName
• 屬性定位：用于查找某個有特定性質的標簽

1、返回標簽第一次出現的內容：

比如返回a標簽第一次出現的內容：

再比如返回div標簽第一次出現的內容：

2、屬性定位

比如我們想查找a標簽中id為“谷歌”的數據信息：

在BS4中規定，如果遇到要查詢class情況，需要使用class_來代替：

但是如果我們使用attrs參數，則是不需要使用下劃線的：

soup.find_all()

該方法返回的是指定標簽下面的所有內容，而且是列表的形式；傳入的方式是多種多樣的。

1、傳入單個指定的標簽

image-20210523170401516

上面返回的是列表形式，我們可以獲取我們想要的內容：

2、傳入多個標簽（列表形式）

需要主要返回內容的表達形式，每個標簽的內容是單獨顯示的

3、傳入正則表達式

比如查看以a開頭標簽的全部內容

查看以li標簽開頭的全部內容：

選擇器soup.select()

主要是有3種選擇器，返回的內容都是列表形式

• 類選擇器：點
• id選擇器：#
• 標簽選擇器：直接指定標簽名

1、類選擇器

2、id選擇器

3、標簽選擇器

直接指定li標簽

4、選擇器和find_all()可以達到相同的效果：

soup.tagName和soup.find(‘tagName’)的效果也是相同的：

層級選擇器使用

在soup.select()方法中是可以使用層級選擇器的，選擇器可以是類、id、標簽等，使用規則：

• 單層：>
• 多層：空格

1、單層使用

2、多層使用

獲取標簽文本內容

獲取某個標簽中對應文本內容主要是兩個屬性+一個方法：

• text
• string
• get_text()

1、text

2、string

3、get_text()

3者之間的區別

# text和get_text()：獲取標簽下面的全部文本內容
# string：只能獲取到標簽下的直系文本內容

獲取標簽屬性值

1、通過選擇器來獲取

2、通過find_all方法來獲取

BeautifulSoup實戰

下面介紹的是通過BeautifulSoup解析方法來獲取某個小說網站上古龍小說名稱和對應的URL地址。

網站數據

我們需要爬取的數據全部在這個網址下：
https://www.kanunu8.com/zj/10867.html，右鍵“檢查”，查看對應的源碼，可以看到對應小說名和URL地址在源碼中位置

每行3篇小說在一個tr標簽下面，對應的屬性href和文本內容就是我們想提取的內容。

獲取網頁源碼

import requests
from bs4 import BeautifulSoup
import pandas as pd
import re

url = 'https://www.kanunu8.com/zj/10867.html'
headers = {'user-agent': '個人請求頭'}

response = requests.get(url = url,headers = headers)
result = response.content.decode('gbk')   # 該網頁需要通過gbk編碼來解析數據
# result

實例化BeautifulSoup對象

soup1 = BeautifulSoup(result,'lxml')
# print(soup1.prettify())  美化輸出源碼內容

獲取名稱和URL地址

1、先獲取整體內容

兩個信息全部指定a標簽中，我們只需要獲取到a標簽，通過兩個屬性href和target即可鎖定：

# 兩個屬性href和target，不同的方法來鎖定

information_list = soup1.find_all('a',href=re.compile('^/book'),target='_blank')
information_list

2、再單獨獲取兩個信息

通過屬性來獲取URL地址，通過文本來獲取名稱

url_list = []
name_list = []

for i in information_list:
    url_list.append(i['href'])  # 獲取屬性
    name_list.append(i.text)  # 獲取文本

3、生成數據幀

gulong = pd.DataFrame({
    "name":name_list,
    "url":url_list}
)

gulong

我們發現每部小說的具體地址其實是有一個公共前綴的：
https://www.kanunu8.com/book，現在給加上：

gulong['url'] = 'https://www.kanunu8.com/book' + gulong['url']   # 加上公共前綴
gulong.head()

另外，我們想把書名的《》給去掉，使用replace替代函數：

gulong["name"] = gulong["name"].apply(lambda x:x.replace("《",""))  # 左邊
gulong["name"] = gulong["name"].apply(lambda x:x.replace("》","")) # 右邊

# 保存
gulong.to_csv("gulong.csv",index=False)  # 保存到本地的csv文件

最后顯示的前5行數據：

總結

本文從BeautifulSoup4庫的安裝、原理以及案例解析，到最后結合一個實際的爬蟲實現介紹了一個數據解析庫的使用，文中介紹的內容只是該庫的部分內容，方便使用者快速入門，希望對讀者有所幫助。