快乐学Python，如何使用爬虫从网页中提取感兴趣的内容？

前面的内容，我们了解了使用urllib3和selenium来下载网页，但下载下来的是整个网页的内容，那我们又怎么从下载下来的网页中提取我们自己感兴趣的内容呢？这里就需要Python的另一个库来实现-BeautifulSoup。

BeautifulSoup 是一个 Python 库，用于分析 HTML。它和它的名字一样，用起来非常“香”。今天我们通过使用 BeautifulSoup 去从上一篇文章案例中下载到的 html 文件：jiandan.html 中提取所有新闻的标题。

打开 VS Code，并创建ipynb文件，将之前下载的jandan.html文件复制到源文件共同的文件夹内。

接下来我们将在这个 notebook 中对 jiandan.html 进行内容提取。

1、安装BeautifulSoup

这里安装的步骤和之前安装selenium的步骤一样。
我们去开始菜单 → Anaconda ，选择 Anaconda Prompt，出现命令行界面。在命令行界面，输入如下安装命令：(BeautifulSoup 的 Python 包名为 bs4, 简写)

conda install bs4

回车执行，之后在询问会否确认时输入 y 回车，等待安装完毕，关闭即可。

(1)读取html文件到Python

数据提取的第一步，我们首先需要将 html 文件加载到 Python 的变量中。在上一篇文章中，我们了解了通过文件对象来把 Python 变量写进文件里，这里我们来尝试用类似的代码来将文件中的内容读出来。

代码如下，可以看到和写入文件的代码非常类似。

#?打开?jiandan.html，第二个参数?r，代表?read

#?open?函数返回一个文件对象，保存在变量?fo?中

fo?=?open("jiandan.html","r",encoding="utf-8")

#?调用文件对象的?read?函数，该函数将文件的内容读取到?Python?中

#?read?函数的返回值就会文件内容，我们保存在?html_content?中

html_content?=?fo.read()

#?关闭文件对象

fo.close()

#?打印?html_content?变量，看内容是否被正确加载

print(html_content)

执行之后，输出结果如下所示（打印的 html 文本太长，这里仅截图示意）。

（2）创建BeautifulSoup对象

现在，我们已经将文件的内容读了出来，但是目前还是以一个超大的字符串的形式存储在变量中。想要对其进行有效的分析，第一步我们先要构造一个 BeautifulSoup 的对象。代码如下：

#?从?bs4?模块中导入?BeautifulSoup?类

from?bs4?import?BeautifulSoup

#?创建一个?BeautifulSoup?的对象，并将刚才我们存储网页内容的变量作为参数

doc?=?BeautifulSoup(html_content)

#?打印?doc?对象的?title?属性。

print(doc.title)

执行上述代码之后，BeautifulSoup 对象就被创建并存在变量 doc 中，为了测试是否创建成功，我们打印了 doc 对象的 title 属性，输出如下。

<title>

煎蛋 - 地球上没有新鲜事

</title>

（3）BeautifulSoup 对象的基本使用

刚刚我们打印了 doc 对象的 title 属性，来测试对象是否创建成功。从打印的内容来看，想必你已经猜到了，doc 对象的 title 属性，就对应了网页的 title 标签。但是刚才我们打印的内容中，title 标签也被打印出来了。

那是否可以只取标签里面的内容呢？

①get_text方法

在 BeautifulSoup 中，我们可以通过标签对象的 get_text 方法来获得标签中的内容。

# 将 title 属性保存在 title_label 的变量中

title_label?=?doc.title

# 调用 get_text 方法，并把返回值打印出来

print(title_label.get_text())

输出如下：

煎蛋 - 地球上没有新鲜事

可以看到，这次我们成功将标签内的文字提取了出来。

②find_all方法

BeautifulSoup 对象另一个常用方法是 find_all， 用来在 html 文档中查到特定标签名以及特定属性值的标签，下面来举例说明。

比如，在网页上有这么个结构

目前我们的 doc 对象已经包含了这些内容。现在我们来尝试提取 class 等于 logo 的这个 div 标签，代码如下。

#?find_all?是?BeautifulSoup?对象的常用方法，用于查找特定的标签

#?接受三个参数，第一个是要查找的标签名，第二个则是要匹配的属性名

#?比如这里，我们查找的是?class=logo?标签，则直接按如下写法即可。

#?因为?class?是?Python?的关键字，所以这里需要使用?class_?以示区分

#?最终，find_all?函数返回所有满足条件的标签列表

logo_label?=?doc.find_all("div",?class_="logo")

print(logo_label)

输出结果为：

[<div class="logo">

<h1><a href="/" onclick="ga('send', 'pageview','/header/logo');">煎蛋</a></h1>

</div>]

可以看到，我们截图中的内容，箭头所指的 div 标签被成功的过滤了出来。

③获取标签对象的属性

通过标签对象的 attrs 属性，我们可以获取标签对象的属性的值，attrs 是一个字典，获取属性的值的方法如下：

#?取?logo_label?列表的第一个标签对象

label?=?logo_label[0]

#?打印这个对象的?class?属性

print(label.attrs["class"])

输出：

['logo']

2、过滤出网页的新闻列表

现在，我们来使用之前的 doc 对象来过滤出新闻的标题列表。

（1）观察html，提取初步的新闻标签列表

在使用 BeautifulSoup 进行内容过滤的第一步，首先要查看我们想要的内容所在的标签。我们在 VS Code 中打开 jiandan.html，搜索“普通感冒”到达新闻标题内容区域，如下图所示。

通过观察截图中的标签内容，很容易发现似乎每个新闻标题，都有一个对应的 div 标签，并且它的 class 是 indexs。沿着这个思路，我们可以先考虑使用 find_all 将其过滤出来。通过如下代码。

#?查找?class?为?indexs?的所有?div?标签，存储在?index_labels?中

index_labels?=?doc.find_all("div",?class_="indexs")

#?打印符合条件的?div?标签的数量

print(len(index_labels))

输出：

24

说明找到了 24 个符合条件的 div 标签。一个网页的新闻也是 20 多条，说明有希望。

（2）提取单个标签的新闻标题

因为 index_labels 是一个标签对象的列表，距离我们要过滤的新闻标题还有距离。下一步，我们就来分析如何从这些标签对象中抽取新闻标题。
首先，我们先取第一个来看一下。

first_object?=?index_labels[0]

print(first_object)

输出如下：

<div class="indexs">

<span class="comment-link" title="1小时 ago">8</span>

<h2><a href="http://jandan.net/p/108693" target="_blank">引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！</a></h2>

<div class="time_s"><a href="http://jandan.net/p/author/majer">majer</a> · <strong><a href="http://jandan.net/p/tag/%e6%96%b0%e5%86%a0%e7%97%85%e6%af%92" rel="tag">新冠病毒</a></strong></div>

换而言之，如果你感冒了，在那段期间就不会被新冠病毒感染 </div>

现在我们的问题就转化为，如何从上述 html 中抽取出新闻的标题。

通过查看上述内容可以发现，我们的标题在第三行，在一个 a 标签内部。那是不是我们只需要过滤出这个 a 标签，再使用 get_text 拿到里面的内容就好了？

那要怎么过滤出第三行的 a 标签呢？可以看到这个 a 标签里有 target=“_blank” 这样一个属性，我们就可以使用 find_all 将其过滤出来了。

#?从刚才的?first_object?标签对象中过滤出所有?target=_blank?的?a?标签

a_labels?=?first_object.find_all("a",target="_blank")

#?取第一个标签对象

my_label?=?a_labels[0]

#?打印该标签对象内的文字内容

print(my_label.get_text())

输出如下：

引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！

你看，新闻的标题被成功抽取了出来！

（3）提取新闻标题的列表

目前，我们已经实现了从第一个标签对象中提取新闻标题，但我们的列表中有 24 个标签对象。要怎么做呢？聪明的你应该想到了，我们只需要把“从标签对象抽取标题”这段逻辑写成一个函数，然后通过一个循环对列表的每个标签对象都调用这个函数即可。

#?从第一次?find_all?获取的标签对象中抽取标题

def?get_title(label_object):

????#?从刚才的参数传入的标签对象中过滤出所有?target=_blank?的?a?标签

????a_labels?=?label_object.find_all("a",target="_blank")

????#?取第一个标签对象

????my_label?=?a_labels[0]

????#?将标签的文字内容作为返回值返回

????return?my_label.get_text()

#?用循环针对每个?index_labels?列表中的标签对象

#?都将其作为参数传入?get_title?函数

#?并打印返回值

for?i?in?range(0,len(index_labels)):

????title?=?get_title(index_labels[i])

????print(title)

执行后输出：

引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！

无厘头研究：植入虚假的记忆再抹去它们

什么是仇恨犯罪？

突发：LHCb发现了违背标准模型的现象

今日带货 20210324

舌战裸猿：IBM搞出了可以打辩论赛的AI

大吐槽：「我没醉，醉的是世界」

今年世界总发电量的0.6%被用于挖比特币

接种疫苗后还是感染新冠？不要为此惊讶

今日带货：蛋友家的血橙

科学家首次在野外检测到抗多药的超级真菌

未在iPhone12盒中搭配充电器，苹果被巴西消协罚200万美元

工程师将解决城市陷坑的问题

今日带货：粉面专场

科学家在碟子里培育出了泪腺，并让它哭泣

疯狂实验进行时：把志愿者禁闭在黑暗的空间里40天

今日带货 20210321

我们已向外星人发送了哪些消息？

脑力小体操：石头+剪刀 VS 石头+布

发霉啦：今天，我终于向母亲摊牌了

普渡大学的经济学家计算出世界各地幸福的价格

人类首次观察到木星上极光黎明风暴的成形过程

为女儿出头，母亲编辑假裸照败坏高中啦啦队队员的名誉

今日带货：淘宝京东蛋友推荐

可以看到，jiandan.html 中的所有新闻标题被我们成功过滤了出来，现在是不是感受到了 BeautifulSoup 的神奇之处了呢。

至此，我们就完成了使用 BeautifulSoup 对网页进行内容的提取。