当前位置：首页 > article >正文

bs4模块

article 2025/1/11 10:13:36

bs4解析——HTML语法

HTML(Hyper Text Markup Language)超⽂本标记语⾔, 是我们编写⽹⻚的最基本也是最核⼼的⼀种语⾔. 其语法规则就是⽤不同的标签对⽹⻚上的内容进⾏标记, 从⽽使⽹⻚显示出不同的展示效果

<h1>
    哈哈哈
</h1>

上述代码的含义是在页面中显示"哈哈哈"三个字, 但是我爱你三个字 被"<h1>"和"</h1>"标记了， 这个时候，浏览器在展示的时候就会让“哈哈哈”变成 标题, 所以HTML的语法就是⽤类似这样的标签对页面内容进行标记， 不同的标签表现出来的效果也是不⼀样的

<body text="green" bgcolor="#eee">
    哈哈哈
</body>

标签中还可以给出xxx=xxx这样的东西，通过xxx=xxx这种形式对h1标签进⼀步的说明了，这种语法在html中被称为标签的属性. 并且属性可以有很多个

HTML语法总结：

<标签 属性="值" 属性="值">
    被标记的内容
</标签>

bs4模块的安装

pip install bs4

如果安装的速度慢, 建议更换国内源(推荐阿⾥源或者清华源)

pip install -i

https://pypi.tuna.tsinghua.edu.cn/simple bs4

bs4模块的使用

bs4在使用的时候就需要参照⼀些html的基本语法来进行使用

案例：抓取食品商务网果蔬价格：

https://price.21food.cn/guoshu/

第一步：拿到页面源代码

import requests
url = "https://price.21food.cn/guoshu/"
resp = requests.get(url)
print(resp.text)

第二步：将页面源代码丢给BeautifulSoup, 然后我们就可以通过bs对象去检索页面源代码中的html标签

import requests
from bs4 import BeautifulSoup

#拿到页面源代码
url = "https://price.21food.cn/guoshu/"
resp = requests.get(url)

#运用BeautifulSoup解析
page = BeautifulSoup(resp.text,features="html.parser")
table = page.find("div",class_="gs_top_t2")
print(table)

第三步：拿到所有数据

在HTML中，tr表示行，td表示列，想要获取所有的信息，可以先获得每一行的信息，再将每一行切片成每一列，这样就可以得到单一的元素

import requests
from bs4 import BeautifulSoup

#拿到页面源代码
url = "https://price.21food.cn/guoshu/"
resp = requests.get(url)

#运用BeautifulSoup解析
page = BeautifulSoup(resp.text,features="html.parser")
table = page.find("div",class_="gs_top_t2")
print(table)

#拿到所有数据
trs = table.find_all("tr")[1:]
for tr in trs:
    tds = tr.find_all("td")
    name = tds[0].text
    low = tds[1].text
    avg = tds[2].text
    date = tds[3].text
    print(name,low,avg,date)