题外话:
《Pi Network 免费挖矿国外热门项目 一个π币大约值3元到10元》相信过去BTC的人,信不信未来的PI,了解一下,唯一一个高度与之持平的项目
学了requests,了解了伪装技巧后,终于能爬到些比较正常的网页源码(html文档)了,但这离结果还差最后和是最重要的一步——筛选。这个过程就像在泥沙中淘金一样,没有合适的筛子,你就会把有价值的漏掉了,或者做了无用功把没用的也筛了出来。
淘金者看土质,做筛子。对应到爬虫领域就是观察html,定制筛选器。
稍稍了解HTML
信息都在网页源码里,浏览器通过解析源码来加载我们所看到的东西,那我们是不是也应该学下如何看源码呢?——是的
但不要方,这不是html语法课,做爬虫的,只需了解一下html的原理和标签关系就行了,这跟认亲戚一样简单,你会看家族树的话根本不成问题。
示例html,足以解释所有节点关系。
- <head><title>这些有尖括号的叫做标签(或节点),成对存在。<head><title>是标签名,标签间可以放字符串。
- 标签可以拥有属性,属性在尖括号里,如title标签有名为lang的属性,属性值为"en"。
- A节点被B节点包起来,A就是B的子,或B是A的父。如book和title都是是bookstore的子,但是book是bookstore的直接子(只有一层包含关系)
- 有同一个直接父的标签互相为兄弟,如title,author,year,price互为兄弟。
<title><author></author><year></year><price></price>
</title>
好了,准备以下代码信息,用来练习获取内容:
from bs4 import BeautifulSoup
from bs4 import BeautifulSoup
#准备代码信息,用来练习获取内容
html ='''
<html>
<head><title>The Dormouse's story</title></head>
<body>
<h1><b>123456</b></h1>
<p class="title" name="dromouse"><b>The Dormouse's story</b>aaaaa
</p>
<p class="title" name="dromouse" title='new'><b>The Dormouse's story</b>a</p>
<p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;<a href="http://example.com/tillie" class="siterr" id="link4">Tillie</a>; <a href="http://example.com/tillie" class="siterr" id="link5">Tillie</a>; and they lived at the bottom of a well.
</p>
<p class="story">...</p>
<ul id="ulone"><li>01</li><li>02</li><li>03</li><li>04</li><li>05</li>
</ul>
<div class='div11'><ul id="ultwo"><li>0001</li><li>0002</li><li>0003</li><li>0004</li><li>0005</li></ul>
</div>
</body>
</html>
1.得到beautifulsoup对象
soup = BeautifulSoup(html,'html.parser') #选择解析器
2.获取内容
(1)获取标题对象
print(soup.title)
获取标题文本字符串:
print(soup.title.string) #返回迭代器,出现换行就找不到了
print(soup.title.text)
print(soup.title.get_text())
title = soup.find('title').get_text()
print(title)
通过上下级关系获取对象
print(soup.title.parent)
print(soup.title.child)
print(soup.title.children)
(2)获取第一个p标签
print(soup.p.get_text())
print(soup.find('p').text)
#获取p的子标签们 (空行也看成了一个children)
print(soup.p.children)
for i,echo in enumerate(soup.p.children):print(i,echo)
(3)获取标签的属性
#只能找到第一个a标签
print('1',soup.a)
print('2',soup.a.name)
#应该这样写
print(soup.a.attrs)
print(soup.a.attrs['href'])
print(soup.a.attrs['id'])
print(soup.a.attrs['class'][0]) #获得的是一个列表,可以用下标查询
(4)获取多个
print(soup.find('p')) #获取一个
print(soup.find_all('p')) #获取soup内的p标签 返回一个列表
(5)多层查询
find_all查询返回的是列表,使用下标寻找想要的内容
print(soup.find_all('ul'))
print(soup.find_all('ul')[0].find_all('li'))
(6)通过指定的属性,获取对象
print(soup.find(id='ulone')) #单个对象
print(soup.find('ul',id='ulone'))
print(soup.find_all('ul',id='ulone')) #可以使用下标查询
class是关键字 要这么写class_
print('class1',soup.find_all('p',class_='title'))
print('class2',soup.find_all('p',attrs={'class':'title'})) #更通用
print('class3',soup.find_all('p',attrs={'class':'title','title':'new'})) #多条件
用函数作为参数,获取元素
def judgeTilte1(t):if t=='title':return True
print(soup.find_all(class_=judgeTilte1))
判断长度
import re #正则表达式
reg = re.compile("sis")
def judgeTilte2(t):#返回长度为6,且包含'sis'的t参数return len(str(t))==6 and bool(re.search(reg,t))
print(soup.find_all(class_=judgeTilte2))
#获取文本内容
# <p class="title" name="dromouse">
# <b>The Dormouse's story</b>
# aaaaa
# </p>
print(soup.find('p').text)
print(soup.find('p').string) #返回迭代器,出现换行就找不到了<b>,
print(soup.find('p').get_text())
获取可以加limit的,限制访问个数
print(soup.find_all('a',limit=2))
recursive = True 寻找子孙 ;recursive = False只找子
print(soup.find_all('body')[0].find_all('ul',recursive = False))