Unit1:
Beautiful Soup
一、安装
https://www.crummy.com/software/BeautifulSoup/
管理员权限打开命令行：pip install beautifulsoup4（注意：使用pip install beautifulsoup 会失败）
安装测试：演示地址(http://python123.io/ws/demo.html)
网页源码：
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>
import requests
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo, "html.parser") #选择html解析器
#from bs4 import BeautifulSoup
#soup = BeautifulSoup('<p>data<p>', "html.parser")
print(soup.title)
print(soup.a)
print(soup.prettify())
soup.a.name
soup.a.parent.name
二、Beautiful Soup库的理解、解析 (
bs4全部转换为 UTF-8
)
Beautiful Soup 是解析、遍历、维护“标签树”的功能库。
from bs4 import BeautifulSoup
import bs4
等价关系：
HTML文档 = 标签树 = BeautifulSoup类
可以将BeautifulSoup类当做对应一个HTML/XML文档的全部。
from bs4 import BeautifulSoup
soup = BeautifulSoup("<html>data</html>", "html.parser")
soup2 = BeautifulSoup(open("D://demo.html"), "html.parser")
BeautifulSoup库的解析器：
解析器 使用方法 条件 bs4的HTML解析器 BeautifulSoup(mk, "html.parser") 安装bs4库 lxml的HTML解析器 BeautifulSoup(mk, "lxml") pip install lxml lxml的XML解析器 BeautifulSoup(mk, "xml") pip install lxml html5lib的解析器 BeautifulSoup(mk, "html5lib") pip install html5lib
BeautifulSoup 类的基本元素
Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾 Name 标签名：<name>...</name>，格式：<tag>.name Attributes 标签属性，字典的形式，格式：<tag>.attrs NavigableString 标签内非属性字符串，<tag>.string Comment 标签内字符串的注释部分，一种特殊的Comment类型"<b><!--This is a comment--></b>
IDLE演示：
>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo, "html.parser")
>>> soup.title
<title>This is a python demo page</title>
>>> soup.a
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
>>> soup.a.name
>>> soup.a.parent.name
'p'
>>> soup.a.parent.parent.name
'body'
>>> tag = soup.a
>>> tag.attrs
{'class': ['py1'], 'href': 'http://www.icourse163.org/course/BIT-268001', 'id': 'link1'}
>>> tag.attrs['class']
['py1']
>>> tag.attrs['href']
'http://www.icourse163.org/course/BIT-268001'
>>> type(tag.attrs)
<class 'dict'>
>>> type(tag)
<class 'bs4.element.Tag'>
>>> soup.a.string
'Basic Python'
>>> soup.p.string
'The demo python introduces several python courses.'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>
三、BeautifulSoup的遍历
1、标签树的下行遍历
.contents 子节点的列表，将<tag>所有儿子节点存入列表 .children 子节点的迭代类型，作用同上，只能用在for...in的结构中。 .descendants 子孙节点的迭代类型，包含所有子孙节点，只能用在for...in的结构中 。
soup = BeautifulSoup(demo, 'html.parser')
soup.body.contents
fon child in soup.body.children:
print(child)
2、
标签树的上行遍历
.parent 节点的父亲标签 .parents 节点先辈标签的迭代类型，只能用在for...in的结构中
soup = BeautifulSoup(demo, 'html.parser')
for parent in soup.a.parents:
if parent is None: #soup.parent.name == None
print(parent)
else:
print(parent.name)
3、标签树的平行遍历（所有平行遍历都在
同一个父亲节点
下，存在NevigableString类型）
.next_sibling .previous_sibling (迭代类型,只能用在for...in的结构中) .next_siblings .previous_siblings （迭代类型，只能用在for...in的结构中 ）
for sibling in soup.a.next_siblings:
print(sibling)
for sibling in soup.a.previous_siblings:
print(sibling)
四、其他方法
1、bs4 库的prettify()函数：
显示更漂亮(增加换行符)
soup = BeautifulSoup(demo, 'html.parser')
soup.prettify()
soup.a.prettify()
Unit2 : 信息的 组织 与 提取
1、信息的标记
HTML :Hyper text makeup luaguage
信息的关系
信息的标记de 三种形式:
XML: eXtensible Makeup Language
<name> ... </name>
<name / >
<!-- -->
JSON: JavaScript Object Notation (有数据类型的键值对 key : value)
“key"
：“value”
"key"
：["value1" , "value2"]
"key"
: {
"subkey"
: "subvalue"}
“name” : [“北京理工大学”，“北京大学”]
多值用[ , ]组织
可以嵌套使用 { ， }："name"：{
"newname" : "北京理工大学",
"oldName" : "延安自然研究院"
}
可以直接作为程序的一部分
YAML: YAML Ain't Markup Lauguage (无类型的键值对)
key
:
value
key
:
#Comment
-value
-value
key
:
subkey
: subvalue
name ： 北京理工大学
缩进方式表达所属关系：
name：
newname：北京理工大学
oldname：延安自然研究院
- 表达并列关系：
name：
-北京理工大学
-延安自然研究院
| 表达整块数据 #表示注释 :
text： | #介绍
****￥%#*****123******#@￥￥@
总结：
XML :Internet 上的信息交互与传递（HTML是一种XML类）
JSON : 移动应用云端和节点的信息通信，无注释（程序对接口处理的地方）
YAML：各类系统的配置文件中，有注释易读，利用率高
2、信息的提取
方法一：完整解析信息的标记形式，再提取关键信息，形式解析
需要标记解析器 如：bs4库的标签树遍历
优点：解析准确
缺点：繁琐且慢
方法二：无视标记形式，直接搜索关键信息，搜索方法
搜索：利用查找函数即可
优点：简洁且快
缺点：确度不定，与内容有关
实际中：二者融合
实例一：提取HTML中所有的URL链接
from bs4 import BeautifulSoup
soup = BeautiflulSoup(demo, "html.parser")
for link in soup.find_all('a'):
print(link.get('href'))
<>.find_all (
name, attrs, recursive, string, ##kwargs
)
返回一个列表类型，储存查找的结果
简短形式：<tag>(...) 等价于 <tag>.find_all(..)
soup(...) 等价于 soup.find_all(..)
name：
soup.find_all('a')
soup.find_all(['a','b'])
for tag in soup.find_all(True):
print(tag.name)
import re
for tag in soup.find_all(re.compile('b')): #所有以b开头的标签
print(tag.name)
attrs：
soup.find_all('p', 'course')
#查找页面中所有属性值为字符串'course'的p标签
soup.find_all(id='link1') # 对属性进行查找的时候必须精确的复制这个信息
import re
soup.find_all(id=re.compile('link'))
recursive：
是否对子孙全部检索，默认True, Bool值
soup.find_all('a', recursive = False) #只查找当前节点的儿子节点
string：
<>...</>对标签中的字符串域进行检索
soup.find_all(string = 'Basic Python')
import re
soup.find_all(string = re.compile('Python'))
find_all的扩展方法：
<>.find(), <>.find_parents(), <>.find_parent(), <>.find_next_sibling(), <>find_next_siblings(), <>.find_previous_sibling(), <>.find_previous_sibllings().
Unit3 : 爬虫实例一
中国大学排名爬取
功能描述：
输入：大学排名URL链接
输出：大学排名信息的屏幕输出（排名，大学名称，总分）
技术路线：requests-bs4
定向爬虫：仅对输入URL进行爬取，不扩展爬取。
静态、定向
步骤一：从网络上获取大学排名网页内容
getHTMLText()
步骤二：提取网页内容的信息到合适的数据结构中
fillUnivList()
步骤三：利用数据结构展示并输出结果
printUnivList()
程序的结构设计：二维列表
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r = requests.get(url, timeout = 20)
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children:
if isinstance(tr, bs4.element.Tag): #排除其中的string类型
tds = tr('td')
ulist.append([tds[0].string, tds[1].string,tds[3].string])
def printUnivList(ulist, num): #需要格式化输出:
"{}{}" .format()
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","学校名称","总分", chr(12288))) #解决
中文输出排版的问题
for i in range(num):
u = ulist[i]
print(tplt.format(u[0],u[1],u[2], chr(12288)))
def main():
uinfo = []
url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
html = getHTMLText(url)
fillUnivList(uinfo, html)
printUnivList(uinfo, 20) #20 univs
main()
优化：
1、中文对齐问题
format()函数：
'{0}' ' {0[1]}{1[0]} ' '{:<>^8}' '{ : .f}' '{ : b c d o x X}'
因为位置填充采用的是西文字符空格填充，所以中文对齐会不理想。
从而，
采用中文字符的空格填充chr(12288)
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名","学校名称","总分", chr(12288)))
