如何使用BeautifulSoup抓取网页

ChatGPT账号注册、ChatGPT Plus代升级、OpenAI API key、OpenAI API 国内购买,美国本地网络100%手工注册 ,https://hmbcloud.cn/gpt/

如何使用BeautifulSoup抓取网页

　　从网站中提取数据主要有两种方式：

使用网站的 API（如果存在）。例如，Facebook 有 Facebook Graph API，它允许检索发布在 Facebook 上的数据。
访问网页的 HTML 并从中提取有用的信息/数据。这种技术称为网络抓取或网络收集或网络数据提取。

　　本文晓得博客为你介绍如何使用BeautifulSoup抓取网页的步骤。

使用BeautifulSoup抓取网页方法

　　要使用BeautifulSoup抓取网页的内容，首先是向要访问的网页的 URL 发送 HTTP 请求。服务器通过返回网页的 HTML 内容来响应请求。对于此任务，我们将使用第三方 HTTP 库来处理 Python 请求。

　　一旦我们访问了 HTML 内容，我们就剩下解析数据的任务，需要一个可以创建 HTML 数据的嵌套/树结构的解析器。然后，需要做的就是导航和搜索我们创建的解析树，即树遍历。对于此任务，我们将使用另一个第三方 Python 库Beautiful Soup。它是一个 Python 库，用于从 HTML 和 XML 文件中提取数据。

1、安装所需的第三方库

在 python 中安装外部库的最简单方法是使用 pip。用于安装和管理用 Python 编写的软件包。需要安装以下第三方：

pip install requests
pip install html5lib
pip install bs4

2、从网页访问 HTML 内容

import requests
URL = "https://www.pythonthree.com/python_basic/beautiful-soup-tutorial/"
r = requests.get(URL)
print(r.content)

　　让我们试着理解这段代码。

首先导入请求库。
然后，指定要抓取的网页的 URL。
向指定的 URL 发送 HTTP 请求，并将来自服务器的响应保存在名为 r 的响应对象中。
现在，打印 r.content 以获取网页的原始 HTML 内容。它是“字符串”类型。

3、解析 HTML 内容

import requests
from bs4 import BeautifulSoup


URL = "https://www.pythonthree.com/python_basic/beautiful-soup-tutorial/"
r = requests.get(URL)
soup = BeautifulSoup(r.content, 'html5lib')
print(soup.prettify())

　　BeautifulSoup 库的一个真正好处是它建立在 HTML 解析库（如 html5lib、lxml、html.parser 等）之上。因此可以同时创建 BeautifulSoup 对象和指定解析器库。

在上面的例子中，

soup = BeautifulSoup(r.content, 'html5lib')

　　我们通过传递两个参数来创建一个 BeautifulSoup 对象：

r.content：它是原始 HTML 内容。
html5lib ：指定我们要使用的 HTML 解析器。

　　现在打印soup.prettify()，它给出了从原始HTML 内容创建的解析树的可视化表示。

4、搜索和导航解析树

　　现在，我们想从 HTML 内容中提取一些有用的数据。汤对象包含可以通过编程方式提取的嵌套结构中的所有数据。在我们的示例中，我们正在抓取一个包含一些引号的网页。因此，我们想创建一个程序来保存这些报价（以及有关它们的所有相关信息）。

#Python program to scrape website
#and save quotes from website
import requests
from bs4 import BeautifulSoup
import csv

URL = "http://www.values.com/inspirational-quotes"
r = requests.get(URL)

soup = BeautifulSoup(r.content, 'html5lib')

quotes=[] # a list to store quotes

table = soup.find('div', attrs = {'id':'all_quotes'})

for row in table.findAll('div',
	attrs = {'class':'col-6 col-lg-3 text-center margin-30px-bottom sm-margin-30px-top'}):
	quote = {}
	quote['theme'] = row.h5.text
	quote['url'] = row.a['href']
	quote['img'] = row.img['src']
	quote['lines'] = row.img['alt'].split(" #")[0]
	quote['author'] = row.img['alt'].split(" #")[1]
	quotes.append(quote)

filename = 'quotes.csv'
with open(filename, 'w', newline='') as f:
	w = csv.DictWriter(f,['theme','url','img','lines','author'])
	w.writeheader()
	for quote in quotes:
		w.writerow(quote)

　　在继续之前，我们建议您浏览我们使用soup.prettify() 方法打印的网页的HTML 内容，并尝试找到一种模式或一种导航到引号的方法。