可狱可囚的爬虫系列课程 07：BeautifulSoup4（bs4）库的使用_beautifulsoup4库 获取br-程序员宅基地
前面一直在讲 Requests 模块如何使用，那都是在请求阶段要做的事情，相信很多网友都在等一个能够开始爬网站信息的教程，今天它来了，今天我要给大家讲一个很简单易懂的库：BeautifulSoup4。
一、概述&安装
BeautifulSoup4 属于 BeautifulSoup 系列的第四代版本，BeautifulSoup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库，这个库能够实现树文档的导航、查找，从而帮助我们提取到网页中所需要的数据。
与 Requests 一样，BeautifulSoup4 也是一个三方库，要使用这个库，同样的使用 pip 命令安装：pip3 install BeautifulSoup4。如果忘记了在哪里安装，请回看 Requests 模块第一篇文章。
安装好以后，我们围绕数据提取这个话题对 BeautifulSoup4 进行剖析。
二、如何使用
想要使用好 BeautifulSoup4 库（以下简称 bs4 库）不是一件易事，还需要懂 HTML 和 CSS 的知识，不过大家既然已经学到这里了，无论你是否具备这些知识，我都用通俗易懂的语言为大家讲解清楚，保证大家在学完这篇文章以后能够顺利的爬取一部分网站。
爬虫中开始使用 bs4 库时表明一定获取到了网页源代码（前面已经讲过 Requests 模块获取网页源代码，不再赘述！），我们只需要在此基础上借助 bs4 库处理即可。
bs4 库解析器的选择与使用
（1） 假设我们已经得到了某网页的源代码（字符串类型），如下所示：
html_str = """<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story" id="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<p>Test</p></a>;
and they lived at the bottom of a well.</p>
<p class="story" id="story">...</p>
"""
（2）针对网页源代码，我们需要使用 bs4 库中的 BeautifulSoup 方法进行文档解析，这个文档解析过程需要使用解析器， bs4 库已经提供三种解析器可选，让我们择优选取，详情见下表：
| 解析器 | 用法 | 优点 | 缺点 |
|---|---|---|---|
| Python 标准库 | BeautifulSoup(源代码, ‘html.parser’) | 解析速度适中、容错性好 | 不如 lxml 速度快、不如 html5lib 容错性好 |
| lxml HTML 解析器 | BeautifulSoup(源代码, ‘lxml’) | 解析速度最快、容错性好 | 需要单独安装 lxml 库 |
| lxml XML 解析器 | BeautifulSoup(源代码, ‘xml’) | 解析速度最快、容错性好 | 需要单独安装 lxml 库 |
| html5lib | BeautifulSoup(源代码, ‘html5lib’) | 容错性最好 | 解析速度最慢 |
上表所示，经过对比我们优先选择 lxml 解析器，但本文以讲基础为主，我们退而求其次，选择 Python 标准库的用法，目前几乎不会再有 html5lib 解析器的应用，大家稍微了解即可。
（3）我们已然选择了恰当的解析器，那么 bs4 库的使用应当如何体现在代码中呢？这个库安装时要记住用全称 BeautifulSoup4，使用时要简写为 bs4。导包连同使用解析器解析上方网页源代码的代码一起为大家呈现：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_str, 'html.parser')
树结构的讲解
如果有刨根问底的同学，此时可能会注意到变量 soup 打印出来的结果与上方网页源代码无异，这是为什么呢？
bs4 库对网页源代码的解析其实是将网页源代码转换了一种结构，这种结构我们称之为树结构，更有利于我们后续信息的导航与采集，下图展示了树结构的大致构造。
这里我们对树结构做一下解读：
（1）整体看树结构是一个由外到内层层递进的一种结构，最外层是根节点 html 标签，网页源代码的所有标签都属于它；其次再划分为两层，分别是 head 标签和 body 标签，它们两个标签中 body 负责网页内容显示，head 负责网页的相关配置；再往下层更加详细的就是按照 HTML 语言的语法规则，交由我们程序员负责如何配置以及显示何种内容。这大概就是一个完整的树结构，同时这也是 HTML 语言规定的大致结构；
（2）分层看这个树结构是由一个个 HTML 标签组成的，类似的像<div></div>、<p></p>一样成对存在的双标签以及<img>、<br>一样的单标签，在网页源代码中看到这样形式的都可以理解为是 HTML 标签。但是通常情况下 HTML 标签内还包含很多属性、标签、内容，像<div id="box"><h1>电影观后感</h1></div>、<a href="https://www.baidu.com">百度一下</a>等，这些按照规则定制出来的内容便组成了网页。
我们的爬虫便是按照这些层次结构进行数据的采集。大家简单了解上述内容以后，希望能够再去菜鸟教程等网站学习一下和 HTML 相关的内容，让自己对树结构以及网页的结构有更深入的理解。
CSS 选择器的使用&数据的采集
接下来，我们以最开始给大家的那一段网页源代码，结合六种 CSS 选择器以及 bs4 库提供的两个方法、两个属性，开始信息的提取。
（1）select 方法：使用 CSS 选择器（标签选择器、class 选择器、id 选择器、父子选择器、后代选择器、nth-child 选择器）从指定位置处找出所有符合的标签存放入列表中。
（2）select_one 方法：使用 CSS 选择器（标签选择器、class 选择器、id 选择器、父子选择器、后代选择器、nth-child 选择器）从指定位置处找出第一个符合的标签。
（3）text 属性：从标签中获取标签内容。
（4）attrs 属性：从标签中获取指定属性名对应的属性值。
我们用以下几个问题来学习相关内容。
问题一：使用标签选择器获取源代码中所有的 p 标签。
标签选择器：默认代表源代码中所有的某标签。
p_list_1 = soup.select('p')
print(p_list_1)
问题二：使用父子选择器获取 body 标签下所有的 p 子标签。
父子选择器：使用>连接具有父子关系的标签，父标签在左，子标签在右。
如何判断两个标签是否是父子关系呢？举个例子：<body><p class="title"><b>The Dormouse's story</b></p><p>Test</p></body>这里的标签 body 与标签 p 为父子关系，标签 p 与标签 b 为父子关系，标签 body 与标签 b 为后代关系，两个标签 p 为兄弟关系。
p_list_2 = soup.select('body > p')
print(p_list_2)
问题三：使用后代选择器获取 body 标签下的所有 a 标签。
后代选择器：使用空格连接具有后代关系的标签，祖先标签在左，后代标签在右。
a_list = soup.select('body a')
print(a_list)
问题四：分别使用 class 选择器和 nth-child 选择器获取 body 标签下的第一个 p 子标签。
class 选择器：如果标签内有 class 属性，只需要用点来调用 class 属性对应的属性值即可。例如：<p class="one"></p>，此时就是.one。
nth-child 选择器：通过同级标签中的排名数来选择标签。网页源代码中 body 标签下所有子标签中排名第一的位置是我们需要的标签，所以写为 p:nth-child(1)。
p_1 = soup.select_one('body > p.title')
print(p_1)
p_2 = soup.select_one('body > p:nth-child(1)')
print(p_2)
问题五：通过 id 选择器获取 body 标签下的后两个 p 子标签。
id 选择器：如果标签内有 id 属性，只需要用井号来调用 id 属性对应的属性值即可。例如：<p id="one"></p>，此时就是#one。
p_list_3 = soup.select('body > p#story')
print(p_list_3)
问题六：选择器综合使用获取 body 标签下的第二个 p 子标签的第三个 a 子标签的标签内容和 href 属性值。
text 属性：能够获取到标签内的内容。例如：<p>张三</p>，此处的张三便是标签内的内容。
attrs 属性：能够根据属性名获取到对应的属性值。例如：<a href="https://www.baidu.com">百度一下，此处的 href 是属性名，https://www.baidu.com 是 href 对应的属性值。
text_str = soup.select_one('body > p:nth-of-type(2) > a#link3').text
href_str = soup.select_one('body > p:nth-of-type(2) > a#link3').attrs['href']
print(text_str)
print(href_str)
三、完整代码&总结
html_str = """<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story" id="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<p>Test</p></a>;
and they lived at the bottom of a well.</p>
<p class="story" id="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_str, 'html.parser')
# 问题一：使用标签选择器获取源代码中所有的 p 标签。
p_list_1 = soup.select('p')
print(p_list_1)
# 问题二：使用父子选择器获取 body 标签下所有的 p 子标签。
p_list_2 = soup.select('body > p')
print(p_list_2)
# 问题三：使用后代选择器获取 body 标签下的所有 a 标签。
a_list = soup.select('body a')
print(a_list)
# 问题四：分别使用 class 选择器和 nth-child 选择器获取 body 标签下的第一个 p 子标签。
p_1 = soup.select_one('body > p.title')
print(p_1)
p_2 = soup.select_one('body > p:nth-child(1)')
print(p_2)
# 问题五：通过 id 选择器获取 body 标签下的后两个 p 子标签。
p_list_3 = soup.select('body > p#story')
print(p_list_3)
# 问题六：选择器综合使用获取 body 标签下的第二个 p 子标签的第三个 a 子标签的标签内容和 href 属性值。
text_str = soup.select_one('body > p:nth-of-type(2) > a#link3').text
href_str = soup.select_one('body > p:nth-of-type(2) > a#link3').attrs['href']
print(text_str)
print(href_str)
上述六个问题涉及到的 CSS 选择器的使用需要大家仔细琢磨，这六个问题涉及的答案不唯一，但是比较具有综合性，我们讲述的这六种 CSS 选择器可以结合使用，如果能把这六种 CSS 选择器学会，爬取数据对大家来说轻而易举。
可能有小伙伴学习过 bs4 库的使用，可能会疑惑我怎么没接触过 select、select_one 这些呢，大家不要担心，bs4 库提供了很多类似于 select、select_one 的方法，比如 find_all、find 方法，这些方法大同小异，你只要掌握上述文章中涉及的知识点，bs4 库的使用就没问题。
以上就是 bs4 库要掌握的内容，下篇文章我们将带大家进行网页爬虫的实战训练。
智能推荐
什么是内部类？成员内部类、静态内部类、局部内部类和匿名内部类的区别及作用？_成员内部类和局部内部类的区别-程序员宅基地
文章浏览阅读3.4k次，点赞8次，收藏42次。一、什么是内部类？or 内部类的概念内部类是定义在另一个类中的类；下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类？or 内部类有什么作用？1、 内部类方法可以访问该类定义所在的作用域中的数据，包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时，使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别
分布式系统_分布式系统运维工具-程序员宅基地
文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起，当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器，有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具
用Exce分析l数据极简入门_exce l趋势分析数据量-程序员宅基地
文章浏览阅读174次。1.数据源准备2.数据处理step1：数据表处理应用函数：①VLOOKUP函数; ② CONCATENATE函数终表：step2：数据透视表统计分析（1） 透视表汇总不同渠道用户数, 金额（2）透视表汇总不同日期购买用户数，金额（3）透视表汇总不同用户购买订单数，金额step3：讲第二步结果可视化, 比如, 柱形图（1）不同渠道用户数, 金额（2）不同日期..._exce l趋势分析数据量
宁盾堡垒机双因素认证方案_horizon宁盾双因素配置-程序员宅基地
文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行，帮助IT运维人员提高工作效率。通俗来说，就是用来控制哪些人可以登录哪些资产（事先防范和事中控制），以及录像记录登录资产后做了什么事情（事后溯源）。由于堡垒机内部保存着企业所有的设备资产和权限关系，是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患：密码设置过于简单，容易被暴力破解；为方便记忆，设置统一的密码，一旦单点被破，极易引发全面危机。在单一的静态密码验证机制下，登录密码是堡垒机安全的唯一_horizon宁盾双因素配置
谷歌浏览器安装（Win、Linux、离线安装）_chrome linux debian离线安装依赖-程序员宅基地
文章浏览阅读7.7k次，点赞4次，收藏16次。Chrome作为一款挺不错的浏览器，其有着诸多的优良特性，并且支持跨平台。其支持（Windows、Linux、Mac OS X、BSD、Android），在绝大多数情况下，其的安装都很简单，但有时会由于网络原因，无法安装，所以在这里总结下Chrome的安装。Windows下的安装：在线安装：离线安装：Linux下的安装：在线安装：离线安装：..._chrome linux debian离线安装依赖
烤仔TVの尚书房 | 逃离北上广？不如押宝越南“北上广”-程序员宅基地
文章浏览阅读153次。中国发达城市榜单每天都在刷新，但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源，上海是“摩登”的国际化大都市，广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...
随便推点
java spark的使用和配置_使用java调用spark注册进去的程序-程序员宅基地
文章浏览阅读3.3k次。前言spark在java使用比较少，多是scala的用法，我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应，只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序
汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用_uds协议栈 源代码-程序员宅基地
文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用，代码精简高效，大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码
AUTOSAR基础篇之OS(下)_autosar 定义了 5 种多核支持类型-程序员宅基地
文章浏览阅读4.6k次，点赞20次，收藏148次。AUTOSAR基础篇之OS(下)前言首先，请问大家几个小小的问题，你清楚：你知道多核OS在什么场景下使用吗？多核系统OS又是如何协同启动或者关闭的呢？AUTOSAR OS存在哪些功能安全等方面的要求呢？多核OS之间的启动关闭与单核相比又存在哪些异同呢？。。。。。。今天，我们来一起探索并回答这些问题。为了便于大家理解，以下是本文的主题大纲：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型
VS报错无法打开自己写的头文件_vs2013打不开自己定义的头文件-程序员宅基地
文章浏览阅读2.2k次，点赞6次，收藏14次。原因：自己写的头文件没有被加入到方案的包含目录中去，无法被检索到，也就无法打开。将自己写的头文件都放入header files。然后在VS界面上，右键方案名，点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件
【Redis】Redis基础命令集详解_redis命令-程序员宅基地
文章浏览阅读3.3w次，点赞80次，收藏342次。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。当数据量很大时，count 的数量的指定可能会不起作用，Redis 会自动调整每次的遍历数目。_redis命令
URP渲染管线简介-程序员宅基地
文章浏览阅读449次，点赞3次，收藏3次。URP的设计目标是在保持高性能的同时，提供更多的渲染功能和自定义选项。与普通项目相比，会多出Presets文件夹，里面包含着一些设置，包括本色，声音，法线，贴图等设置。全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，主光源和附加光源在一次Pass中可以一起着色。URP：全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，一次Pass可以计算多个光源。可编程渲染管线：渲染策略是可以供程序员定制的，可以定制的有：光照计算和光源，深度测试，摄像机光照烘焙，后期处理策略等等。_urp渲染管线