來源：Python/ target=_blank class=infotextkey>Python數據之道
作者：Peter
整理：陽哥
大家好，我是陽哥。
今天來跟大家分享用 BeautifulSoup 獲取信息的一些知識點，文章內容由公眾號讀者 Peter 創作。
歡迎各位童鞋向公眾號投稿，點擊下面圖片了解詳情！
爬蟲，是學習Python的一個有用的分支，互聯網時代，信息浩瀚如海，如果能夠便捷的獲取有用的信息，我們便有可能領先一步，而爬蟲正是這樣的一個工具。
Beautiful Soup 是一個可以從html或XML文件中提取數據的Python庫。由于 BeautifulSoup 是基于 Python，所以相對來說速度會比另一個 Xpath 會慢點，但是其功能也是非常的強大，本文會介紹該庫的基本使用方法，幫助讀者快速入門。
網上有很多的學習資料，但是超詳細學習內容還是非官網莫屬，資料傳送門：
英文官網：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/
中文官網：
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
本文的主要內容如下：
安裝和使用
安裝
安裝過程非常簡單，直接使用pip即可：
pip install beautifulsoup4
上面安裝庫最后的4是不能省略的，因為還有另一個庫叫作 beautifulsoup，但是這個庫已經停止開發了。
因為BS4在解析數據的時候是需要依賴一定的解析器，所以還需要安裝解析器，我們安裝強大的lxml：
pip install lxml
在python交互式環境中導入庫，沒有報錯的話，表示安裝成功。
使用
使用過程直接導入庫：
from bs4 import BeautifulSoup
解析原理
解析原理
- 實例化一個BeautifulSoup對象，并且將本地或者頁面源碼數據加載到該對象中
- 通過調用該對象中相關的屬性或者方法進行標簽定位和數據提取
如何實例化BeautifulSoup對象
- 將本地的HTML文檔中的數據加載到BS對象中
- 將網頁上獲取的頁面源碼數據加載到BS對象中
案例解析
原數據
假設我們現在本地有一個HTML文件待解析，具體內容如下，數據中有各種HTML標簽：html、head、body、div、p、a、ul、li等
加載數據
from bs4 import BeautifulSoup
fp = open('./test.html','r',encoding='utf-8') # 打開本地文件
soup = BeautifulSoup(fp,'lxml')
soup
所有的數據解析都是基于soup對象的，下面開始介紹各種解析數據方法：
soup.tagName
soup.TagName返回的是該標簽第一次出現的內容，以a標簽為例：
數據中多次出現a標簽，但是只會返回第一次出現的內容
我們再看下div標簽：
出現了2次，但是只會返回第一次的內容：
soup.find('tagName')
find()主要是有兩個方法：
- 返回某個標簽第一次出現的內容，等同于上面的soup.tagName
- 屬性定位：用于查找某個有特定性質的標簽
1、返回標簽第一次出現的內容：
比如返回a標簽第一次出現的內容：
再比如返回div標簽第一次出現的內容：
2、屬性定位
比如我們想查找a標簽中id為“谷歌”的數據信息：
在BS4中規定，如果遇到要查詢class情況，需要使用class_來代替：
但是如果我們使用attrs參數，則是不需要使用下劃線的：
soup.find_all()
該方法返回的是指定標簽下面的所有內容，而且是列表的形式；傳入的方式是多種多樣的。
1、傳入單個指定的標簽
image-20210523170401516
上面返回的是列表形式，我們可以獲取我們想要的內容：
2、傳入多個標簽（列表形式）
需要主要返回內容的表達形式，每個標簽的內容是單獨顯示的
3、傳入正則表達式
比如查看以a開頭標簽的全部內容
查看以li標簽開頭的全部內容：
選擇器soup.select()
主要是有3種選擇器，返回的內容都是列表形式
- 類選擇器：點
- id選擇器：#
- 標簽選擇器：直接指定標簽名
1、類選擇器
2、id選擇器
3、標簽選擇器
直接指定li標簽
4、選擇器和find_all()可以達到相同的效果：
soup.tagName和soup.find('tagName')的效果也是相同的：
層級選擇器使用
在soup.select()方法中是可以使用層級選擇器的，選擇器可以是類、id、標簽等，使用規則：
- 單層：>
- 多層：空格
1、單層使用
2、多層使用
獲取標簽文本內容
獲取某個標簽中對應文本內容主要是兩個屬性+一個方法：
- text
- string
- get_text()
1、text
2、string
3、get_text()
3者之間的區別
# text和get_text()：獲取標簽下面的全部文本內容
# string：只能獲取到標簽下的直系文本內容
獲取標簽屬性值
1、通過選擇器來獲取
2、通過find_all方法來獲取
BeautifulSoup實戰
下面介紹的是通過BeautifulSoup解析方法來獲取某個小說網站上古龍小說名稱和對應的URL地址。
網站數據
我們需要爬取的數據全部在這個網址下：
https://www.kanunu8.com/zj/10867.html，右鍵“檢查”，查看對應的源碼，可以看到對應小說名和URL地址在源碼中位置
每行3篇小說在一個tr標簽下面，對應的屬性href和文本內容就是我們想提取的內容。
獲取網頁源碼
import requests
from bs4 import BeautifulSoup
import pandas as pd
import re
url = 'https://www.kanunu8.com/zj/10867.html'
headers = {'user-agent': '個人請求頭'}
response = requests.get(url = url,headers = headers)
result = response.content.decode('gbk') # 該網頁需要通過gbk編碼來解析數據
# result
實例化BeautifulSoup對象
soup1 = BeautifulSoup(result,'lxml')
# print(soup1.prettify()) 美化輸出源碼內容
獲取名稱和URL地址
1、先獲取整體內容
兩個信息全部指定a標簽中，我們只需要獲取到a標簽，通過兩個屬性href和target即可鎖定：
# 兩個屬性href和target，不同的方法來鎖定
information_list = soup1.find_all('a',href=re.compile('^/book'),target='_blank')
information_list
2、再單獨獲取兩個信息
通過屬性來獲取URL地址，通過文本來獲取名稱
url_list = []
name_list = []
for i in information_list:
url_list.Append(i['href']) # 獲取屬性
name_list.append(i.text) # 獲取文本
3、生成數據幀
gulong = pd.DataFrame({
"name":name_list,
"url":url_list}
)
gulong
我們發現每部小說的具體地址其實是有一個公共前綴的：
https://www.kanunu8.com/book，現在給加上：
gulong['url'] = 'https://www.kanunu8.com/book' + gulong['url'] # 加上公共前綴
gulong.head()
另外，我們想把書名的《》給去掉，使用replace替代函數：
gulong["name"] = gulong["name"].apply(lambda x:x.replace("《","")) # 左邊
gulong["name"] = gulong["name"].apply(lambda x:x.replace("》","")) # 右邊
# 保存
gulong.to_csv("gulong.csv",index=False) # 保存到本地的csv文件
最后顯示的前5行數據：
總結
本文從BeautifulSoup4庫的安裝、原理以及案例解析，到最后結合一個實際的爬蟲實現介紹了一個數據解析庫的使用，文中介紹的內容只是該庫的部分內容，方便使用者快速入門，希望對讀者有所幫助。
