基于Python的網(wǎng)頁信息爬取技術(shù)研究

2021-04-22 17:14:20陳海燕朱慶華?，?/span>

電腦知識與技術(shù) 2021年8期

陳海燕朱慶華 ?，?/p>

摘要：現(xiàn)在是信息時代，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網(wǎng)絡(luò)得到。但是正因為網(wǎng)絡(luò)上的資源太豐富了，如果想得到需要的內(nèi)容，用戶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等語言，還有一些專門的公司為用戶提供網(wǎng)絡(luò)爬蟲程序做信息的定向抓取。目前使用較多的是Python語言，文章要研究的內(nèi)容是：通過使用Python庫中的Beautiful Soup庫快速、簡捷地抓取所需信息。

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

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）08-0195-02

1 BeautifulSoup介紹

Beautiful Soup是一個可以從網(wǎng)頁文件中提取信息的Python庫，它包含在bs4庫里。需要注意的是下載、安裝bs4時需要聯(lián)網(wǎng)，否則安裝會出錯，具體命令為：pip install bs4，如圖1所示。

2 解析HTML流程說明

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

在找到對應標簽位置后，熟悉html的人知道，信息一般會存儲在兩個位置中：

1）開始標簽和結(jié)束標簽中的內(nèi)容;

2）開始標簽中的屬性值。

例如下面這行標簽：

美食網(wǎng)

。

這個標簽的含義是：一個段落中有一個超級鏈接，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，或者提取標簽的屬性值，即鏈接www.baidu.com內(nèi)容。

3 使用python進行網(wǎng)頁內(nèi)容獲取的方法

3.1引入BeautifulSoup庫

程序開始的第1行需要引入BeautifulSoup庫。如果bs4下出現(xiàn)波浪線表示安裝路徑有問題，需要檢查。語句如圖2所示。

3.2 html代碼放入str

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

str = '''西紅柿炒雞蛋

食材準備

制作過程

這道菜俺從小吃到大，它是我兒時的全部味覺記憶。

美食網(wǎng)免責聲明。

制作步驟

注意事項

'''

3.3使用lxml解析器實例化BeautifulSoup對象

BeautifulSoup支持Python標準庫中的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 會使用 Python默認的解析器，lxml解析器更加強大，速度更快，推薦安裝使用。具體的語句如圖3所示。

3.4獲取title標簽里的內(nèi)容

title標簽的含義是為網(wǎng)頁定義標題。需要說明的是：如果要提取“標題”，只需要使用title標簽名來識別，因為整個html文檔中，title標簽只會出現(xiàn)一次。具體的語句如圖4所示。

3.5獲取p標簽里的文字

P標簽是段落標簽，如果要提取p標簽里的內(nèi)容，不能像提取title標簽一樣只使用p標簽，因為p標簽可以有多個。因此p標簽要和它的class屬性聯(lián)合起來使用，例如3.2中給出的標簽，用'first'或'second'來識別p標簽。要提取class屬性是first的p標簽，語句如圖5所示。

3.6獲取所有p標簽里的文字

在進行信息抓取時，有時需要提取所有p標簽里的內(nèi)容，這時就可以使用循環(huán)獲取。具體的語句如圖6所示。

以3.2的標簽為例，運行結(jié)果為：

這道菜俺從小吃到大，它是我兒時的全部味覺記憶。

美食網(wǎng)免責聲明。

3.7查找ul標簽里的li標簽

ul是無序列表標簽，它與li標簽配合使用，一對ul標簽里可以包含若干對li標簽。因為ul標簽也可以有多個，因此ul標簽也要和它的class屬性聯(lián)合起來使用，查找class='list1'的ul標簽里的所有l(wèi)i標簽，可以使用圖7的方法。

同理，也可以先定位到

這個標簽上，所獲得的所有l(wèi)i就是我們想要的了。

3.8查找ul標簽里的li標簽內(nèi)的內(nèi)容

3.7中的方法，在獲取內(nèi)容時，連同

和

標簽也一起獲取了。當有多個li標簽時，又不想獲取

和

標簽時，可以使用圖8的方法。

運行結(jié)果

食材準備

制作過程

3.9 找到所有某類標簽

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

soup.find_all（'h2'）

4 結(jié)束語

Beautiful Soup提供一些python式的函數(shù)，通過解析文檔為用戶提供需要抓取的數(shù)據(jù)，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。Beautiful Soup已成為和lxml、html6lib一樣出色的Python解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。

參考文獻：

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

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

[3] 王鵬，鄭貴省，郭強，等.基于網(wǎng)絡(luò)爬蟲的民用運力數(shù)據(jù)獲取[J].軍事交通學院學報，2020，22（1）：87-90.

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

[5] 鐘機靈.基于Python網(wǎng)絡(luò)爬蟲技術(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語言下網(wǎng)絡(luò)爬蟲的技術(shù)特點及應用設(shè)計[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)爬蟲技術(shù)基礎(chǔ)知識[J].計算機系統(tǒng)網(wǎng)絡(luò)和電信，2019，1（2）：46-49.

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

【通聯(lián)編輯：王力】