BeautifulSoup实战

叁歲伎倆 2022-08-26 12:26 242阅读 0赞

**最近我的博客主要都在自己的网站上写，所以在CSDN上很少更新，希望各位读者光临我的站点[http://a2bgeek.me][http_a2bgeek.me]**

最近有个项目要用天气数据，看了一些天气网站，决定从`中国天气网`上抓数据，`python`抓数据的框架我知道的不多，只听过`BeautifulSoup`，下面记录一下使用`BeautifulSoup`抓取数据的全过程。`BeautifulSoup`的文档见[BeautifulSoup官方文档][BeautifulSoup]。

## 这里大概介绍一下`BeautifulSoup`的用法，它和javascript的dom一样，把html文档看做一棵树。 ##

*  可以用下面的代码取得根节点：

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
3
4
</pre> </td> 
 <td> <pre><code>from bs4 import BeautifulSoup
import urllib
rawdata = urllib.urlopen("http://xxx.xxx.xx")
soup = BeautifulSoup(rawdata)
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

`soup`就是根节点了，有了这个根节点就能遍历文档树了。

*  find可以快速得到某一个或一簇标签：

可以得到

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
3
4
</pre> </td> 
 <td> <pre><code>&lt;head&gt;
 &lt;title&gt;...&lt;title&gt;
 &lt;style&gt;...&lt;style&gt;
&lt;/head&gt;
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

也可以加上id的限制:

*  find\_all可以有选择地得到一些标签：

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
3
4
</pre> </td> 
 <td> <pre><code>soup.find_all('a')
# [&lt;a class="sister" href="http://example.com/elsie" id="link1"&gt;Elsie&lt;/a&gt;,
# &lt;a class="sister" href="http://example.com/lacie" id="link2"&gt;Lacie&lt;/a&gt;,
# &lt;a class="sister" href="http://example.com/tillie" id="link3"&gt;Tillie&lt;/a&gt;]
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

*  `.`也很常用：

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
3
4
5
6
7
8
</pre> </td> 
 <td> <pre><code>soup.title
#可以得到&lt;title&gt;The Dormouse's story&lt;/title&gt;
soup.title.name
#可以得到标签名
soup.title.string
#可以得到标签之间的文本
soup.p['class']
#可以得到p标签的class属性
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

*  contents也比较常用：

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
</pre> </td> 
 <td> <pre><code>soup.body.contents
#是一个list，包括了body的所有子节点，既有tag也有文本。
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

## 下面介绍抓取中国天气网数据的过程。 ##

首先打开网页[兰州天气][Link 1]，再打开firebug找到我们需要抓取的部分。如图所示：![beatifulsoup.png][]，其中`id="7d"`的`div`就是我们要抓取的部分。下面上代码：

<table> 
 <tbody> 
 <tr> 
 <td> <pre>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
</pre> </td> 
 <td> <pre><code>tag7d = soup.find(id = "7d")
#得到id="7d"的div
tagweatherYubaoBox = tag7d.contents[3]
#得到class="weatherYubaoBox"的div
resultset = [tagweatherYubaoBox.contents[5].find_all("a"), tagweatherYubaoBox.contents[9].find_all("a"), tagweatherYubaoBox.contents[13].find_all("a")]
#这里我只想取当天、明天、后天的天气，也就是class="yuBaoTable"的前三个table，接下来就可以循环去数据了。
result = []
for item in resultset:
 tmp_dict = {}
 tmp_dict["date"] = item[0].string
 tmp_dict["imgurl"] = ''.join(["http://www.weather.com.cn", item[1].contents[1]["src"]])
 tmp_dict["weather"] = item[2].string
 if len(item) == 6:
#中国天气网的数据在6点以后就没有白天的数据了，所以这里判断了一下。
 tmp_dict["low"] = ' '.join([u"夜间", item[3].contents[1].contents[0], item[3].contents[1].contents[1].string])
 else:
 tmp_dict["high"] = ' '.join([u"白天", item[3].contents[1].contents[0], item[3].contents[1].contents[1].string])
 tmp_dict["low"] = ' '.join([u"夜间", item[8].contents[1].contents[0], item[8].contents[1].contents[1].string])
 result.append(tmp_dict)
</code></pre> </td> 
 </tr> 
 </tbody> 
</table>

> 好了今天就到这里，欢迎拍砖。

[http_a2bgeek.me]: http://a2bgeek.me
[BeautifulSoup]: http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
[Link 1]: http://www.weather.com.cn/weather/101160101.shtml
[beatifulsoup.png]: http://a2bgeekblog.qiniudn.com/image/png/beatifulsoup.png