Beautiful Soup与运用（猫眼电影榜单）

机器视觉CV

发布于 2019-07-15 17:52:09

5200

发布于 2019-07-15 17:52:09

文章被收录于专栏：机器视觉CV

简介

Beautiful Soup是Python的一个HTML/XML的解析库，可以用来获取网页信息输入文档为Unicode 编码，输出文档为UTF-8编码，不需考虑编码问题

Beautiful Soup安装

pip3 install Beautiful Soup4
wheel安装

用法

基本用法

选择用LXML解析器

from bs4 import BeautifulSoup
html = """<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><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>"""
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())#以标准的缩进格式输出print(soup.title.string)

节点选择器

在此可以认为soup是一锅汤，soup.节点就是选择相应的食材

获取名称

语法格式：soup.节点.name 如soup.p.title

获取属性

soup.节点名['属性名'] 如soup.p[class'] soup.p.attrs #获取该节点的所有属性和值

获取内容

语法格式：soup.节点.string

print(soup.p.string)#打印p节点的文本内容

嵌套选择

语法格式：soup.父节点.子节点

soup.p.a

关联选择

子节点：children 只显示其下面一层的节点及内容

print(soup.p.children)for i, child in enumerate(soup.p.children):
    print(i,child)

子孙节点：descendants 显示其下面一层的子孙节点及内容

print(soup.p.descendants)for i, child in enumerate(soup.p.descendants):
    print(i, child)

父节点：parent

print(soup.a.parent)

父节点之外的祖父节点：parents

for i, parent in enumerate(soup.a.parents):
    print(i, parent)

兄弟节点(同级节点)： nextsibling（下一个） prvioussibling（前一个）, nextsiblings（之后所有） previoussiblings（前面所有）

print('Next Sibling', soup.a.next_sibling)
print('Prev Sibling', soup.a.previous_sibling)
print('Next Siblings', list(enumerate(soup.a.next_siblings)))
print('Prev Siblings', list(enumerate(soup.a.previous_siblings)))

这类语法只会匹配第一个节点，后面的将会被忽略

方法选择器

节点选择器：

通过属性选择，这种方法快，但是复杂选择就比较繁琐

方法选择器：灵活

find_all() 返回所有元素

find_all(name , attrs , recursive , text , **kwargs)

name参数： soup.findall(name='ul') attrs参数print(soup.findall(attrs={'class': 'list'})) text参数print(soup.find_all(text=re.compile('hello', re.I))) find() 返回单个元素

其他

findparents()和findparent()：前者返回所有祖先节点，后者返回直接父节点。

findnextsiblings()和findnextsibling()：前者返回后面所有的兄弟节点，后者返回后面第一个兄弟节点。

findprevioussiblings()和findprevioussibling()：前者返回前面所有的兄弟节点，后者返回前面第一个兄弟节点。

findallnext()和find_next()：前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点。

findallprevious()和find_previous()：前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点。

CSS选择器

爬取猫眼电影排行榜

程序

import requestsfrom bs4 import BeautifulSoupimport refrom requests.exceptions import RequestException
base_url = 'http://maoyan.com/board/4?offset='def parse(html_info):
    soup = BeautifulSoup(html_info, 'lxml')
    indexs = re.findall('board-index.*?>(\d+)<', html_info)
    names = soup.find_all(attrs={'class', 'name'})
    stars = soup.find_all(attrs={'class', 'star'})
    releasetimes = soup.find_all(attrs={'class', 'releasetime'})
    scores_integers = soup.find_all(attrs={'class', 'integer'})
    scores_fractions = soup.find_all(attrs={'class', 'fraction'})    for index, name, star, releasetime, scores_integer, scores_fraction in zip(indexs, names, stars, releasetimes, scores_integers, scores_fractions):
        movie_list = {'index': index, 'name': name.string, 'star': star.string.strip(), 'releasetime': releasetime.string,                      'score': str(scores_integer.string) + str(scores_fraction.string)}
        print(movie_list)def get_onepage(url):
    try:
        headers = {            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36'
        }
        response = requests.get(url, headers=headers)        if response.status_code == 200:            return response.text        return None
    except RequestException:        return Noneif __name__ == '__main__':    for i in range(10):
        html = get_onepage(base_url+str(i*10))
        parse(html)

输出结果

{'index': '1', 'name': '霸王别姬', 'star': '主演：张国荣,张丰毅,巩俐', 'releasetime': '上映时间：1993-01-01(中国香港)', 'score': '9.6'} 
{'index': '2', 'name': '肖申克的救赎', 'star': '主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿', 'releasetime': '上映时间：1994-10-14(美国)', 'score': '9.5'} 
{'index': '3', 'name': '罗马假日', 'star': '主演：格利高里·派克,奥黛丽·赫本,埃迪·艾伯特', 'releasetime': '上映时间：1953-09-02(美国)', 'score': '9.1'} 

{'index': '4', 'name': '这个杀手不太冷', 'star': '主演：让·雷诺,加里·奥德曼,娜塔莉·波特曼', 'releasetime': '上映时间：1994-09-14(法国)', 'score': '9.5'}
{'index': '5', 'name': '教父', 'star': '主演：马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩', 'releasetime': '上映时间：1972-03-24(美国)', 'score': '9.3'} 
{'index': '6', 'name': '泰坦尼克号', 'star': '主演：莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩', 'releasetime': '上映时间：1998-04-03', 'score': '9.5'}
{'index': '7', 'name': '龙猫', 'star': '主演：日高法子,坂本千夏,糸井重里', 'releasetime': '上映时间：1988-04-16(日本)', 'score': '9.2'}
{'index': '8', 'name': '唐伯虎点秋香', 'star': '主演：周星驰,巩俐,郑佩佩', 'releasetime': '上映时间：1993-07-01(中国香港)', 'score': '9.2'}
{'index': '9', 'name': '千与千寻', 'star': '主演：柊瑠美,入野自由,夏木真理', 'releasetime': '上映时间：2001-07-20(日本)', 'score': '9.3'}
{'index': '10', 'name': '魂断蓝桥', 'star': '主演：费雯·丽,罗伯特·泰勒,露塞尔·沃特森', 'releasetime': '上映时间：1940-05-17(美国)', 'score': '9.2'}

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2018-10-01，如有侵权请联系 cloudcommunity@tencent.com 删除

python

xml

本文分享自机器视觉CV 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

python

xml

登录后参与评论

0 条评论

热度