Python爬虫之美：BS4的用法详解

一、什么是BS4

BeautifulSoup4，简称BS4，是Python的一个库，它可以让开发人员快速解析HTML和XML文件，从而提取出所需的信息。说白了，就是可以通过BS4快速实现爬取网页信息的功能。

BS4最初由Leonard Richardson编写，此后由他和John Resig共同维护，现在BS4的最新版是4.10.0，可以在官网（https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/）中进行下载和查阅。

二、为什么要使用BS4

使用BS4有以下几个优点：

1、简单易用：BS4的API非常简单、友好，无需花费太多时间就可以上手使用。

2、广泛的应用场景：BS4可以应用于多种类型的网络爬虫，如教育、金融、医疗、新闻等，大大提高了开发效率。

3、强大的功能：除了使用BS4进行网页解析外，还可以通过BS4实现数据清洗、数据处理、数据分析等操作。

三、BS4的安装和使用

为了安装BS4需要使用pip命令，可以使用以下命令：

pip install beautifulsoup4

使用BS4的大致流程如下：

1、将HTML或XML文件加载为BeautifulSoup对象。

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

2、对BeautifulSoup对象进行解析，提取所需信息。

3、对所提取的信息进行处理和分析。

四、BS4的使用示例

1、解析HTML文件

1）使用requests获取HTML文件。

import requests
url = 'https://www.baidu.com'
response = requests.get(url)
html_doc = response.content

2）将HTML文件转化为BeautifulSoup对象。

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

3）解析HTML文件，并提取所需信息。

以百度首页为例，提取其所有的链接。

#获取页面中所有的链接
for link in soup.find_all('a'):
    print(link.get('href'))

2、解析XML文件

1）使用requests获取XML文件。

import requests
url = 'https://www.w3school.com.cn/example/xmle/plant_catalog.xml'
response = requests.get(url)
xml_doc = response.content

2）将XML文件转化为BeautifulSoup对象。

from bs4 import BeautifulSoup
soup = BeautifulSoup(xml_doc, 'lxml-xml')

3）解析XML文件，并提取所需信息。

以植物目录为例，提取其所有的植物名称。

#获取所有植物名称
for plant in soup.find_all('PLANT'):
    print(plant.find('COMMON').text)

3、HTML标记处理

在HTML文档中存在着各种标记，如、&、’、”等，需要进行特殊处理，否则会导致解析错误。BS4提供了一些方法，可以对HTML标记进行预处理。

如下面示例所示，将HTML文档中的标记进行转化，从而避免错误的解析。

#对HTML标记进行预处理
from bs4 import BeautifulSoup
import html
soup = BeautifulSoup("<p></p>", 'html.parser')
print(html.unescape(str(soup)))

4、数据清洗和处理

使用BS4可以对所爬取的数据进行清洗和处理，使得数据更加干净整洁，以便后续分析。如下面示例：在提取数据后，利用字符串处理方法，提取出所需信息。

#对数据进行清洗和处理
from bs4 import BeautifulSoup
import re
html_doc = """
The Dormouse's story

The Dormouse's story
Once upon a time there were three little sisters; and their names wereElsie,Lacie andTillie;and they lived at the bottom of a well.
...

"""

soup = BeautifulSoup(html_doc, 'html.parser')
#提取文本内容
text_only = soup.get_text()
#提取所有链接
links = soup.find_all('a')
#提取class为story的段落
story = soup.find_all('p', {'class': 'story'})

#从锚点中提取链接内容
for link in links:
    print(link.get('href'), link.contents[0])

#通过正则表达式提取信息
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)

#对文本进行分词处理
print(re.findall(r'\b\w+\b', text_only))

总结

BS4是Python中一款非常强大的网络爬虫库，使用BS4可以轻松实现对HTML和XML文件的解析，并提取出所需的数据。同时，BS4还可以对所提取的数据进行处理和分析，大大提高了网络爬虫的开发效率。建议开发人员多加了解并使用。

原创文章，作者：KSGIL，如若转载，请注明出处：https://www.506064.com/n/316553.html