当前位置：首页 > backend >正文

Python网络爬虫设计（二）

backend 2025/5/22 10:30:30

六、BeautifulSoup库

1、常见的提取分析网页内容的三种方式

（1）正则表达式

（2）BeautifulSoup库

（3）pyppeteer库中的元素查找函数

2、HTML中的tag

3、BeautifulSoup库的安装和导入

4、BeautifulSoup库分析过程

5、利用BeautifulSoup库分析HTML

6、BeautifulSoup库进阶

六、BeautifulSoup库

1、常见的提取分析网页内容的三种方式

（1）正则表达式

Python自带的re库中的正则表达式，对于网页内容的提取分析非常方便，而且速度极快，但是适应性较差，可能面对不同的页面，正则表达式就需要修改

（2）BeautifulSoup库

速度和正则表达式接近，但是还是没有正则表达式快

（3）pyppeteer库中的元素查找函数

速度较慢（约是正则表达式的百分之一）

2、HTML中的tag

当我们随机打开一个页面，右键页面空白处，然后点击检查，我们就可以看到一个网页的源码，而在源码中，我们会发现源码中包含很多的尖括号，即“<>”，这就是一个tag

大部分的tag都包含<x>和</x>，只有极少数的只有一个<x>（这里的x就是tag的名字）

当然，tag也可以嵌套，即一个tag里面包含另一个tag

不同的tag可能会包含不同的功能，而有的tag里面会包含一些属性，或者一些网站的路径（href，src等），我们可以根据某些特定的tag或者属性，来定位到，查找到我们想要的内容

3、BeautifulSoup库的安装和导入

我们使用pip命令来安装BeautifulSoup库

pip install beautifulsoup4

在Python中，我们需要这样导入BeautifulSoup库：

import bs4

4、BeautifulSoup库分析过程

①先把HTML文档装入一个BeautifulSoup对象中

②针对对象，我们使用find或者find_all等函数找到我们想要的tag

③找到tag后，可以再次使用find或者find_all等函数去找内部嵌套的tag或者相关的内容

5、利用BeautifulSoup库分析HTML

我们先创建一个HTML文档

<!DOCTYPE html>
<html lang="zh-CN">
<head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><title>Document</title>
</head>
<body><h1>这是一个网页</h1><a href="https://www.baidu.com">点我进入百度</a><a href="https://www.google.com">点我进入谷歌</a>
</body>
</html>

再在其当前文件创建一个py文件：

import bs4Soup = bs4.BeautifulSoup(open(r"D:\学习\Python\001.html" , "r" , encoding = "utf-8") , "html.parser")
#"html.parser" 是一个解析器的名称，用于解析 HTML 文档
tags = Soup.find_all("a")       #如果只想输出第一个，就是用find函数for tag in tags :print(tag.text)

输出：

当然，我们可以把第一行换成一个字符串，字符串里面包含一个HTML文档，也可以指定一个网址，用getHTML()

6、BeautifulSoup库进阶

上面的代码只是寻找一个tag的内容或者输出所有名字为x的一类tag，上面提到tag是可以嵌套的，而且tag拥有可以拥有很多属性（比如class，id等）那么我们怎么在众多的属性中和嵌套中找到我们想要的结果：

HTML代码：

<!DOCTYPE html>
<html lang="zh-CN">
<head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><title>test</title>
</head>
<body><span id="css"><p>这是一个p标签</p></span><span id="html"><div class="p1">这是一个div标签1</div><div class="p2">这是一个div标签2</div><div class="p3">这是一个div标签3</div><div class="p4"><scy class="scy" id="hello"><a class="one" href="https://www.baidu.com">点我进入百度</a><a class="two" href="https://www.google.com">点我进入谷歌</a></scy></div></span>
</body>
</html>

Python代码：

import bs4soup = bs4.BeautifulSoup(open(r"D:\学习\Python\001.html" , encoding = "utf-8") , "html.parser")
#打开文件并读取内容
diva = soup.find("span" , attrs = {"id" : "html"})
#先寻找一个id是html的span标签if diva != None :   #如果有符合要求的for x in diva.find_all("div" , attrs = {"class" : "p4"}) :      #再在里面找有没有class是p4的div标签print(x.text)if x != None :      #这里x就是class是p4的div标签，在此基础上如果x存在for y in x.find_all("a" , attrs = {"class" : "one"}) :  #就在x中找有没有class是one的a标签print(y.text)print(y["href"])    #输出符合条件的标签的href属性中的内容

输出：