import requests
from bs4 import BeautifulSoup
r = requests.get("https://www.python123.io/ws/demo.html")
demo = r.text # demo擷取url所有源代碼
# BeautifulSoup 解析網頁源代碼
# 格式:BeautifulSoup('url', 'html.parser')
# 格式:BeautifulSoup(open('file'), 'html.parser')
soup = BeautifulSoup(demo, 'html.parser') # html.parser解析器
print(soup.prettify()) # 檢視解析内容
"""BeautifulSoup庫的基本元素
<p class="title">...</p>
<></>: 标簽,成對出現。
p: 名字。 # <tag>.name
class="title": 屬性。 # <tag>.attrs
...: 字元串。 # <tag>.string """
# BeautifulSoup 基本操作
url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.title)
a = soup.a # 傳回a标簽,隻擷取第一個a标簽。
a_name = soup.a.name # 擷取a标簽的名字
a_parent_name = soup.a.parent.name # 擷取a标簽上一層标簽的名字
print(a.attrs) # a标簽屬性
print(a.string) # a标簽内容
print(soup.prettify()) # HTML格式化和編碼
# 擷取頁面中所有url内容。
soup = BeautifulSoup(demo, "html.parser")
for link in soup.find_all('a'):
print(link.get('href'))
# 基于bs4庫中HTML查找方法。
import requests
from bs4 import BeautifulSoup
url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
for tag in soup.find_all(True):
print(tag.name)
"""<>.find_all()
<>.find_all(name, attrs, recursive, string, **kwargs)
name # 對标簽名稱的檢索字元串。
attrs # 對屬性值檢索。
resursive # 是否對子孫檢索,預設True。
string # 對<>...</>區域檢索。
**kwargs
擴充方法
<>.find() # 同find_all()隻傳回一個結果。
<>.find_parents() # 在先輩節點中搜尋。
<>.find_parent() # 在先輩節點中搜尋,隻傳回一個元素。
<>.find_next_siblings() # 後續平行節點中搜尋。
<>.find_next_sibling() # 後續平行節點中搜尋,隻傳回一個元素。
<>.find_previous_siblings() # 前序平行節點中搜尋。
<>.find_previous_sibling() # 前序平行節點中搜尋,隻傳回一個元素。"""
# 爬取中國大學排名前20大學排名總分名稱
import requests
from bs4 import BeautifulSoup
import bs4
def get_html_text(url):
"""擷取url中的text資訊"""
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except():
return ""
def fill_univ_list(u_list, html):
"""将text中的資訊存入u_list中"""
soup = BeautifulSoup(html, 'html.parser')
for tr in soup.find('tbody'):
if isinstance(tr, bs4.element.Tag): # 檢測标簽類型
tds = tr('td')
u_list.append([tds[0].string, tds[1].string, tds[3].string]) # 将排名的參數作為字元串存儲
def print_univ_list(u_list, num):
"""輸出u_list中的資訊"""
print("{:^10}\t{:^6}\t{:^10}".format("排名", "學校名稱", "總分"))
for i in range(num):
u = u_list[i]
print("{:^10}\t{:^6}\t{:^10}".format(u[0], u[1], u[2]))
print("Suc" + str(num))
def main():
u_info = []
url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
html = get_html_text(url)
fill_univ_list(u_info, html)
print_univ_list(u_info, 20) # 20所學校相關資訊
if __name__ == "__main__":
main()