利用Beautifusoup爬取网页指定内容

之前一直就对网络爬虫很感兴趣,刚好实验室学长有个小任务,就揽下来尝试着去做下,花了一天的时间完成了!

Beautifulsoup是什么

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

大家可以从上面那个Beautifulsoup中文官方文档中去学习下Beautifulsoup的一些基本的用法,非常好用的一个从html文件中提取数据的python库。

注意:Mac在安装beautifulsoup的时候使用pip安装时记得使用sudo获取管理员权限,不然可能会失败,还有setuptools版本的问题,大家可以自行百度。😄

这次任务

这个网址这样类似的表格上提取指定栏目的数据。我们可以通过开发者工具来看下,我们需要的内容在哪个标签里。

开发者工具

红框内的数据是我们要提取的,而右边是网页的html层级。可以看出我们想要的数据在多层表格内,td,tr中间。

解决问题

爬虫就是将整个网页通过url将网页爬取下来,然后根据语法规则去匹配html代码中存在的数据,通过python的beautifulsoup可以很快的将数据给‘爬’出来。

html = requests.get(html_url).text
soup = BeautifulSoup(html,'html.parser') ```
通过这两句我们就将要爬取的html页面给保存下来了,并初始化了Beautifulsoup,方便之后的提取。
通过开发者工具我们可以看出,整个表格都是由tr,td等标签组成,我们要先获取表格的表头,然后再去获得对应表头内的数据。在使用beautiful的时候,我们首先要理解html文档的dom树的概念。这样在使用parent的时候就会比较容易。我们主要使用了get_text()方法和获得父亲,兄弟的节点,然后在其中find_all(' ')找对应的标签即可。
```python
for nobr in table_title:
    if re_table_title.match(nobr.get_text()):       
    table_content = nobr.parent.next_sibling.next_sibling                      
    KO_ID = table_content.find('a').get_text()        
    Anno = table_content.find_all('td')[1].get_text()       
    break ```
可以看出,我们找到了表头```table.title```,它返回的是一个list,便利其中的找到是我们需要的表头,这里使用了正则表达式```match```也是我们非常常用的在爬虫使用中的一个技术。然后找到其兄弟节点也就是同级的对应的表的内容```table_content```其中的数据。最后把数据都写入文件中保存起来,这样就实现了网络爬虫爬取我们想要的数据。


![完整代码](http://upload-images.jianshu.io/upload_images/1545198-c48c59fcea3b25fa.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
>哈哈,做完还是非常有成就感的啊!
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,688评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,559评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,749评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,581评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,741评论 3 271
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,684评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,122评论 2 292
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,847评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,441评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,939评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,333评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,783评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,275评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,830评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,444评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,553评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,618评论 2 249

推荐阅读更多精彩内容