Sup Cantik: Mendedahkan Kuasa Mengikis Web

Beautiful Soup ialah perpustakaan Python yang diiktiraf secara meluas yang menjadikan pengikisan web boleh diakses dan mudah untuk pembangun yang tidak terkira banyaknya di seluruh dunia. Dengan menggunakan Beautiful Soup, pembangun boleh mengekstrak data dengan cekap daripada fail HTML dan XML, menjadikannya alat yang berharga untuk perlombongan data, pengekstrakan data web dan mendapatkan maklumat.

Memahami Mengikis Web

Sebelum menyelam ke dalam Beautiful Soup, adalah penting untuk mempunyai pemahaman ringkas tentang pengikisan web. Mengikis web ialah teknik yang digunakan untuk mengekstrak sejumlah besar data daripada tapak web. Data ini kemudiannya disimpan ke fail atau pangkalan data tempatan dalam format yang membolehkan analisis atau penggunaan selanjutnya.

Kuasa Sup Cantik

Beautiful Soup menyediakan pengaturcara dengan kaedah mudah untuk menavigasi, mencari dan mengubah suai pokok parse. Pustaka Python ini tidak disertakan dengan perangkak web, bermakna ia tidak mengambil halaman web itu sendiri. Ia bergantung pada perpustakaan luaran atau pembangun untuk membekalkan kandungan HTML. Biasanya, ini dicapai menggunakan urllib terbina dalam Python atau dengan perpustakaan permintaan.

Ciri-ciri Utama Sup Cantik

• Menghuraikan HTML dan XML: Sup Cantik memecahkan struktur kompleks fail HTML dan XML, menjadikan data lebih mudah untuk dinavigasi dan diekstrak.
• Berorientasikan Objek: Sup Cantik menggunakan pendekatan berorientasikan objek, menyediakan simpulan bahasa Python untuk lelaran, mencari dan mengubah suai pokok parse.
• Keserasian: Ia serasi dengan Python 2 dan Python 3.

Bermula dengan Sup Cantik

Untuk mula menggunakan Beautiful Soup, anda perlu memasangnya. Bagi mereka yang menggunakan pip, pemasangan adalah semudah memasukkan arahan berikut dalam terminal anda:

pip install beautifulsoup4

Perintah ini memasang Beautiful Soup 4, versi perpustakaan yang terbaharu dan paling maju.

Menavigasi dengan Sup Cantik

Setelah dipasang, anda boleh mula menggunakan Sup Cantik untuk pelbagai tugas. Pertama, anda perlu mengimport perpustakaan dan membuat objek Sup Cantik.

from bs4 import BeautifulSoup
import requests

URL = "http://www.example.com"
page = requests.get(URL)
soup = BeautifulSoup(page.content, 'html.parser')

Dalam contoh ini, perpustakaan permintaan digunakan untuk mengambil halaman web, yang kemudiannya dihuraikan oleh Beautiful Soup.

Mencari dan Menapis dengan Sup Cantik

Beautiful Soup menyediakan beberapa cara untuk mencari dan menapis melalui data yang dihuraikan, termasuk mencari mengikut teg, kelas CSS dan rentetan.

Mengikut Tag

tag = soup.b  # returns the first 'b' tag

Mengikut Kelas CSS

tag = soup.find_all(class_="my_class")  # returns all tags with the class 'my_class'

Oleh String

tag = soup.find_all(string="Example")  # returns all tags containing the string 'Example'

Jadual: Fungsi Sup Cantik Biasa

Fungsi	Penerangan
cari_semua()	Mengembalikan semua tika teg
cari()	Mengembalikan contoh pertama teg
get_text()	Mengekstrak semua teks daripada tag
pilih()	Mengembalikan senarai teg yang sepadan dengan pemilih CSS

Senarai: Kelebihan Sup Cantik

• Beautiful Soup memudahkan penghuraian HTML dan mengurangkan kerumitan pengikisan web.
• Ia adalah Pythonic dan mesra pengguna, menjadikannya sesuai untuk pemula.
• Ia teliti dalam menghuraikan kod HTML yang tidak sempurna atau cacat.
• Ia menyediakan kaedah yang berguna untuk mencari dan menavigasi pokok parse.

Dengan menguasai Beautiful Soup, anda akan membuka kunci alat yang tidak ternilai dalam senjata pengendalian data anda, membolehkan anda mengubah keluasan web menjadi data berstruktur dan boleh digunakan. Tiba masanya untuk memulakan perjalanan mengikis web anda dengan Sup Cantik.