Beautiful Soup 库一般被称为bs4库，支持Python3，是我们写爬虫非常好的第三方库。因用起来十分的简便流畅。所以也被人叫做“美味汤”。目前bs4库的最新版本是4.60。下文会介绍该库的最基本的使用，具体详细的细节还是要看：[官方文档](Beautiful Soup Documentation)
bs4库的安装
Python的强大之处就在于他作为一个开源的语言，有着许多的开发者为之开发第三方库，这样我们开发者在想要实现某一个功能的时候，只要专心实现特定的功能，其他细节与基础的部分都可以交给库来做。bs4库 就是我们写爬虫强有力的帮手。
安装的方式非常简单：我们用pip工具在命令行里进行安装
|
1
|
$ pip install beautifulsoup4 |
接着我们看一下是否成功安装了bs4库
|
1
|
$ pip list |
这样我们就成功安装了 bs4 库
bs4库的简单使用
这里我们先简单的讲解一下bs4库的使用，
暂时不去考虑如何从web上抓取网页，
假设我们需要爬取的html是如下这么一段：
下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):
|
1
2
3
4
5
6
7
8
9
10
11
12
|
<html><head><title>The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names werehttp://example.com/elsie" class="sister" id="link1">Elsie,http://example.com/lacie" class="sister" id="link2">Lacie andhttp://example.com/tillie" class="sister" id="link3">Tillie;and they lived at the bottom of a well.</p> <p class="story">...</p></html> |
下面我们开始用bs4库解析这一段html网页代码。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
#导入bs4模块from bs4 import BeautifulSoup#做一个美味汤soup = BeautifulSoup(html，'html.parser')#输出结果print(soup.prettify()) '''OUT: # <html># <head># <title># The Dormouse's story# </title># </head># <body># <p class="title"># <b># The Dormouse's story# </b># </p># <p class="story"># Once upon a time there were three little sisters; and their names were# <a class="sister" href="http://example.com/elsie" rel="external nofollow" id="link1"># Elsie# </a># ,# <a class="sister" href="http://example.com/lacie" rel="external nofollow" id="link2"># Lacie# </a># and# <a class="sister" href="http://example.com/tillie" rel="external nofollow" id="link2"># Tillie# </a># ; and they lived at the bottom of a well.# </p># <p class="story"># ...# </p># </body># </html>''' |
可以看到bs4库将网页文件变成了一个soup的类型，
事实上，bs4库 是解析、遍历、维护、“标签树“的功能库。
通俗一点说就是： bs4库把html源代码重新进行了格式化，
从而方便我们对其中的节点、标签、属性等进行操作。
下面是几个简单的浏览结构化数据的方式 ：
请仔细观察最前面的html文件
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
# 找到文档的titlesoup.title# <title>The Dormouse's story</title> #title的name值soup.title.name# u'title' #title中的字符串Stringsoup.title.string# u'The Dormouse's story' #title的父亲节点的name属性soup.title.parent.name# u'head' #文档的第一个找到的段落soup.p# <p class="title"><b>The Dormouse's story</b></p> #找到的p的class属性值soup.p['class']# u'title' #找到a标签soup.a# http://example.com/elsie" id="link1">Elsie #找到所有的a标签soup.find_all('a')# [http://example.com/elsie" id="link1">Elsie,# http://example.com/lacie" id="link2">Lacie,# http://example.com/tillie" id="link3">Tillie] #找到id值等于3的a标签soup.find(id="link3")# http://example.com/tillie" id="link3">Tillie |
通过上面的例子 我们知道bs4库是这样理解一个html源文件的：
首先 把html源文件转换为soup类型
接着 从中通过特定的方式抓取内容
更高级点的用法？
从文档中找到所有<a>标签的链接:
|
1
2
3
4
5
6
|
#发现了没有，find_all方法返回的是一个可以迭代的列表for link in soup.find_all('a'): print(link.get('href')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie |
从文档中获取所有文字内容:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#我们可以通过get_text 方法 快速得到源文件中的所有text内容。print(soup.get_text())# The Dormouse's story## The Dormouse's story## Once upon a time there were three little sisters; and their names were# Elsie,# Lacie and# Tillie;# and they lived at the bottom of a well.## ... |
bs4库的入门使用我们就先进行到这。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.jianshu.com/p/1f359fe5ede5
