大數(shù)據(jù)基礎 課件5-2 BeautifulSoup網(wǎng)絡數(shù)據(jù)采集_第1頁
大數(shù)據(jù)基礎 課件5-2 BeautifulSoup網(wǎng)絡數(shù)據(jù)采集_第2頁
大數(shù)據(jù)基礎 課件5-2 BeautifulSoup網(wǎng)絡數(shù)據(jù)采集_第3頁
大數(shù)據(jù)基礎 課件5-2 BeautifulSoup網(wǎng)絡數(shù)據(jù)采集_第4頁
大數(shù)據(jù)基礎 課件5-2 BeautifulSoup網(wǎng)絡數(shù)據(jù)采集_第5頁
已閱讀5頁，還剩5頁未讀， 繼續(xù)免費閱讀

付費下載

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領

文檔簡介

浙江經(jīng)貿(mào)職業(yè)技術(shù)學院《大數(shù)據(jù)基礎》.移動商務營銷課程群5.1.1數(shù)據(jù)采集原理5.1數(shù)據(jù)采集5.1.2BeautifulSoup網(wǎng)絡

數(shù)據(jù)采集與預處理數(shù)據(jù)采集大數(shù)據(jù)基礎Unit5

BeautifulSoup簡介BeautifulSoup提供一些簡單的、Python式的函數(shù)用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，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。Anaconda已經(jīng)安裝了BeautifulSoup包，程序中導入包就可以直接使用。frombs4importBeautifulSoup5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集

獲取網(wǎng)頁內(nèi)容

網(wǎng)頁的原始內(nèi)容可以使用requests包的get方法獲取，在設置了編碼之后就能獲得html文本。而解析html文本的結(jié)構(gòu)，獲取指定的元素標簽內(nèi)容，這部分工作則可以通過BeautifulSoup實現(xiàn)。

下例獲取百度首頁內(nèi)容importrequests#導入requests包res=requests.get('')#獲取網(wǎng)頁內(nèi)容res.encoding='utf-8'#設置編碼格式html=res.text#獲取網(wǎng)頁文本print(html)5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集

練習材料說明

為例便于講解BeautifulSoup包的功能，本節(jié)不使用真實網(wǎng)頁數(shù)據(jù)進行練習，而是使用以下html文本，文本存放在test_html.txt中。html="""<html><head><title>TheDormouse'sstory</title></head><body><pclass="title"name="dromouse"><b>TheDormouse'sstory</b></p><pclass="story">Thereweretwolittlesisters;andtheirnameswere<ahref="/elsie"class="sister"id="link1">Elsie</a>and<ahref="/lacie"class="sister"id="link2">Lacie</a>.</p><pclass="story">...</p>"""5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集

創(chuàng)建BeautifulSoup對象

使用html.parser解析html文本內(nèi)容，創(chuàng)建BeautifulSoup對象。frombs4importBeautifulSoupsoup=BeautifulSoup(html,'html.parser')5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集

根據(jù)標簽名查找BeautifulSoup提供的select方法可以根據(jù)CSS選擇器查找元素標簽。查找結(jié)果存放在列表中，列表的每一個元素為匹配的元素標簽，如果要訪問標簽可以使用列表的下標引用。

直接傳遞標簽名給select方法，可以查找所有標簽名相符的元素。soup.select('a')#查找所有a標簽，結(jié)果為標簽列表5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集

根據(jù)class或id查找

傳遞’.<class>’參數(shù)時，BeautifulSoup根據(jù)class屬性進行查找；傳遞’#<id>’參數(shù)時，BeautifulSoup根據(jù)id屬性進行查找。soup.select('.sister')5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集soup.select('#linke1')

根據(jù)上下級關(guān)系查找當查找條件之間用空格分隔時，以普通上下級關(guān)系進行查找；當查找條件之間以空格大于號空格分隔時，以直接上下級關(guān)系進行查找。soup.select('body#link1')5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集soup.select('p>a')

獲取標簽的內(nèi)容

經(jīng)過查找得到元素標簽列表后，使用下標或迭代可以取出標簽。然后可以進一步訪問標簽的內(nèi)容，如文本、鏈接等。soup.select('a')[0]5.1.2BeautifulSoup網(wǎng)絡數(shù)據(jù)采集>>>soup.select('a')[0].te

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論