基于Python的網(wǎng)頁(yè)信息爬取技術(shù)研究

2021-04-22 17:14:20陳海燕朱慶華常瑩

電腦知識(shí)與技術(shù) 2021年8期

陳海燕朱慶華常瑩

摘要：現(xiàn)在是信息時(shí)代，互聯(lián)網(wǎng)為我們提供了豐富的信息資源。只要我們有需要就能通過(guò)網(wǎng)絡(luò)得到。但是正因?yàn)榫W(wǎng)絡(luò)上的資源太豐富了，如果想得到需要的內(nèi)容，用戶(hù)就要做大量篩選和甄別工作。網(wǎng)絡(luò)信息篩選和抓取有很多方法，比如Java、Python等語(yǔ)言，還有一些專(zhuān)門(mén)的公司為用戶(hù)提供網(wǎng)絡(luò)爬蟲(chóng)程序做信息的定向抓取。目前使用較多的是Python語(yǔ)言，文章要研究的內(nèi)容是：通過(guò)使用Python庫(kù)中的Beautiful Soup庫(kù)快速、簡(jiǎn)捷地抓取所需信息。

關(guān)鍵詞：BeautifulSoup;Python;網(wǎng)絡(luò)爬蟲(chóng)

中圖分類(lèi)號(hào)：TP393? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）08-0195-02

1 BeautifulSoup介紹

Beautiful Soup是一個(gè)可以從網(wǎng)頁(yè)文件中提取信息的Python庫(kù)，它包含在bs4庫(kù)里。需要注意的是下載、安裝bs4時(shí)需要聯(lián)網(wǎng)，否則安裝會(huì)出錯(cuò)，具體命令為：pip install bs4，如圖1所示。

2 解析HTML流程說(shuō)明

HTML文件是由一組尖括號(hào)構(gòu)成的標(biāo)簽組織起來(lái)的，每一對(duì)尖括號(hào)形式一個(gè)標(biāo)簽，標(biāo)簽之間存在上下關(guān)系，形成一顆標(biāo)簽樹(shù)。因此可以說(shuō)Beautiful Soup是解析、遍歷、維護(hù)“標(biāo)簽樹(shù)”的功能庫(kù)。眾所周知：html由眾多標(biāo)簽組成，如何精確定位標(biāo)簽，從標(biāo)簽中提取到需要的內(nèi)容呢？

在找到對(duì)應(yīng)標(biāo)簽位置后，熟悉html的人知道，信息一般會(huì)存儲(chǔ)在兩個(gè)位置中：

1）開(kāi)始標(biāo)簽和結(jié)束標(biāo)簽中的內(nèi)容;

2）開(kāi)始標(biāo)簽中的屬性值。

例如下面這行標(biāo)簽：

美食網(wǎng)

。

這個(gè)標(biāo)簽的含義是：一個(gè)段落中有一個(gè)超級(jí)鏈接，鏈接的地址是：www.baidu.com。我們要做的就是提取和之間的“美食網(wǎng)”文字，或者提取標(biāo)簽的屬性值，即鏈接www.baidu.com內(nèi)容。

3 使用python進(jìn)行網(wǎng)頁(yè)內(nèi)容獲取的方法

3.1引入BeautifulSoup庫(kù)

程序開(kāi)始的第1行需要引入BeautifulSoup庫(kù)。如果bs4下出現(xiàn)波浪線(xiàn)表示安裝路徑有問(wèn)題，需要檢查。語(yǔ)句如圖2所示。

3.2 html代碼放入str

將html代碼放入一個(gè)變量中，注意，由于html代碼有換行，需要每一行都加上單引號(hào)，這樣比較麻煩，可以把html整個(gè)代碼用三個(gè)單引號(hào)里引起來(lái)，這樣就簡(jiǎn)單多了，而且也增強(qiáng)了代碼的可讀性。如下所示：

str = '''西紅柿炒雞蛋

食材準(zhǔn)備

制作過(guò)程

這道菜俺從小吃到大，它是我兒時(shí)的全部味覺(jué)記憶。

美食網(wǎng)免責(zé)聲明。

制作步驟

注意事項(xiàng)

'''

3.3使用lxml解析器實(shí)例化BeautifulSoup對(duì)象

BeautifulSoup支持Python標(biāo)準(zhǔn)庫(kù)中的HTML解析器（HTMLParser），還支持一些第三方的解析器，如果我們不安裝它，則 Python 會(huì)使用 Python默認(rèn)的解析器，lxml解析器更加強(qiáng)大，速度更快，推薦安裝使用。具體的語(yǔ)句如圖3所示。

3.4獲取title標(biāo)簽里的內(nèi)容

title標(biāo)簽的含義是為網(wǎng)頁(yè)定義標(biāo)題。需要說(shuō)明的是：如果要提取“標(biāo)題”，只需要使用title標(biāo)簽名來(lái)識(shí)別，因?yàn)檎麄€(gè)html文檔中，title標(biāo)簽只會(huì)出現(xiàn)一次。具體的語(yǔ)句如圖4所示。

3.5獲取p標(biāo)簽里的文字

P標(biāo)簽是段落標(biāo)簽，如果要提取p標(biāo)簽里的內(nèi)容，不能像提取title標(biāo)簽一樣只使用p標(biāo)簽，因?yàn)閜標(biāo)簽可以有多個(gè)。因此p標(biāo)簽要和它的class屬性聯(lián)合起來(lái)使用，例如3.2中給出的標(biāo)簽，用'first'或'second'來(lái)識(shí)別p標(biāo)簽。要提取class屬性是first的p標(biāo)簽，語(yǔ)句如圖5所示。

3.6獲取所有p標(biāo)簽里的文字

在進(jìn)行信息抓取時(shí)，有時(shí)需要提取所有p標(biāo)簽里的內(nèi)容，這時(shí)就可以使用循環(huán)獲取。具體的語(yǔ)句如圖6所示。

以3.2的標(biāo)簽為例，運(yùn)行結(jié)果為：

這道菜俺從小吃到大，它是我兒時(shí)的全部味覺(jué)記憶。

美食網(wǎng)免責(zé)聲明。

3.7查找ul標(biāo)簽里的li標(biāo)簽

ul是無(wú)序列表標(biāo)簽，它與li標(biāo)簽配合使用，一對(duì)ul標(biāo)簽里可以包含若干對(duì)li標(biāo)簽。因?yàn)閡l標(biāo)簽也可以有多個(gè)，因此ul標(biāo)簽也要和它的class屬性聯(lián)合起來(lái)使用，查找class='list1'的ul標(biāo)簽里的所有l(wèi)i標(biāo)簽，可以使用圖7的方法。

以3.2的標(biāo)簽為例，運(yùn)行結(jié)果

食材準(zhǔn)備

，

制作過(guò)程

同理，也可以先定位到

這個(gè)標(biāo)簽上，所獲得的所有l(wèi)i就是我們想要的了。

3.8查找ul標(biāo)簽里的li標(biāo)簽內(nèi)的內(nèi)容

3.7中的方法，在獲取內(nèi)容時(shí)，連同

和

標(biāo)簽也一起獲取了。當(dāng)有多個(gè)li標(biāo)簽時(shí)，又不想獲取

和

標(biāo)簽時(shí)，可以使用圖8的方法。

運(yùn)行結(jié)果

食材準(zhǔn)備

制作過(guò)程

3.9 找到所有某類(lèi)標(biāo)簽

如果要找到所有某標(biāo)簽，或者某幾種標(biāo)簽及根據(jù)正則表達(dá)式提取，只能用find_all返回一個(gè)列表，具體方法為：

soup.find_all（'h2'）

4 結(jié)束語(yǔ)

Beautiful Soup提供一些python式的函數(shù)，通過(guò)解析文檔為用戶(hù)提供需要抓取的數(shù)據(jù)，因?yàn)楹?jiǎn)單，所以不需要多少代碼就可以寫(xiě)出一個(gè)完整的應(yīng)用程序。Beautiful Soup已成為和lxml、html6lib一樣出色的Python解釋器，為用戶(hù)靈活地提供不同的解析策略或強(qiáng)勁的速度。

參考文獻(xiàn)：

[1] 周德懋，李舟軍.高性能網(wǎng)絡(luò)爬蟲(chóng)：研究綜述[J].計(jì)算機(jī)科學(xué)，2009，36（8）：26-29，53.

[2] 霍柄良.基于Python的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)探析[J].數(shù)碼世界，2020（4）：73-74.

[3] 王鵬，鄭貴省，郭強(qiáng)，等.基于網(wǎng)絡(luò)爬蟲(chóng)的民用運(yùn)力數(shù)據(jù)獲取[J].軍事交通學(xué)院學(xué)報(bào)，2020，22（1）：87-90.

[4] 王曉楠，李楊，張海峰，張宇.面向網(wǎng)絡(luò)爬蟲(chóng)的網(wǎng)站優(yōu)化策略[J].農(nóng)家參謀，2020（5）.

[5] 鐘機(jī)靈.基于Python網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的數(shù)據(jù)采集系統(tǒng)研究[J].信息通信，2020，33（4）：96-98.

[6] 李杰秦.基于Python語(yǔ)言下網(wǎng)絡(luò)爬蟲(chóng)的技術(shù)特點(diǎn)及應(yīng)用設(shè)計(jì)[J].數(shù)字通信世界，2020（1）：209-210.

[7] 陳麗娟，王科，李晨曦. 淺談Python網(wǎng)絡(luò)爬蟲(chóng)技術(shù)基礎(chǔ)知識(shí)[J].計(jì)算機(jī)系統(tǒng)網(wǎng)絡(luò)和電信，2019，1（2）：46-49.

[8] 馮丹.基于網(wǎng)絡(luò)爬蟲(chóng)的搜索引擎的研究[J].移動(dòng)信息，2019（8）：121-122.

【通聯(lián)編輯：王力】