从零开始写Python爬虫 --- 1.2 BS4库的安装与使用

时间：11-12来源：作者：点击数：43

什么是Beautiful Soup

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”。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

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 bs4

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

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是下面这么一段：

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 = """<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 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>;
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())

结果如下：

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
print(soup.title)
# <title>The Dormouse's story</title>

#title的name值
print(soup.title.name)
# u'title'

#title中的字符串String
print(soup.title.string)
# u'The Dormouse's story'

#title的父亲节点的name属性
print(soup.title.parent.name)
# u'head'

#文档的第一个找到的段落
print(soup.p)
# <p class="title"><b>The Dormouse's story</b></p>

#找到的p的class属性值
print(soup.p['class'])
# u'title'

#找到a标签
print(soup.a)
# http://example.com/elsie" id="link1">Elsie

#找到所有的a标签
print(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
print(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

我们接下来看点更高级点的用法

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'))

结果如下

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())

结果如下

# 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.
#
# ...