欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

Python BS4库的安装与使用详解

程序员文章站 2022-12-17 19:33:40
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...

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

$ pip install beautifulsoup4

接着我们看一下是否成功安装了bs4库

$ pip list

这样我们就成功安装了 bs4 库

Python BS4库的安装与使用详解

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):

<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
http://example.com/elsie" class="sister" id="link1">elsie,
http://example.com/lacie" class="sister" id="link2">lacie and
http://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。

#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

# 找到文档的title
soup.title
# <title>the dormouse's story</title>
  
#title的name值
soup.title.name
# u'title'
  
#title中的字符串string
soup.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:

#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:

#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。

上一篇： 真是浪费牙签。

下一篇： 日后女儿不孝也是可以理解的了

推荐阅读