Python爬虫初级（三）—— Beautiful Soup 库入门

最新推荐文章于 2024-04-27 22:46:17 发布

ChenKai_164

最新推荐文章于 2024-04-27 22:46:17 发布

阅读量398

点赞数

分类专栏： python 爬虫文章标签：数据库 python 大数据 http html

本文链接：https://blog.csdn.net/ChenKai_164/article/details/105625042

版权

python 爬虫专栏收录该内容

14 篇文章 6 订阅

订阅专栏

欢迎关注公众号K的笔记阅读博主更多优质学习内容
K的笔记公众号

上一篇内容：Python爬虫初级（二）—— Requests 网络爬虫实战

BeautifulSoup 库的安装

安装beautiful soup 库可以直接使用命令 pip install beautifulsoup4，安装完成之后可以通过演示 HTML 页面地址：http://python123.io/ws/demo.html 进行测试。我们打开这个网址，查询源代码，得到下面的结果：

<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>

我们刚刚查看源代码是直接右键查看源代码进行拷贝的，除此之外，我们还可以使用 requests 库自动获得该链接的源代码：

import requests
from bs4 import BeautifulSoup

r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
print(soup.prettify())

这是上述代码的返回结果：

<html>
 <head>
  <title>
   This is a python demo page
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The demo python introduces several python courses.
   </b>
  </p>
  <p class="course">
   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
    Advanced Python
   </a>
  </p>
 </body>
</html>

看得出来，这个效果还是蛮好看的。实际上，Beautiful Soup 库是解析、遍历和维护“标签树”的功能库，可以理解为：BeautifulSoup 对应一个 HTML/XML 文档的全部内容。

BeautifulSoup 库详解

BeautifulSoup 库的解析器一共有四种，分别列举如下：

解析器	使用方法	条件
bs4 的 HTML 解析器	BeautifulSoup(mk, “html.parser”)	pip install bs4
lxml 的 HTML 解析器	BeautifulSoup(mk, “lxml”)	pip install lxml
lxml 的 XML 解析器	BeautifulSoup(mk, “xml”)	pip install lxml
html5lib 的解析器	BeautifulSoup(mk, “html5lib”)	pip install html5lib

BeautifulSoup 类的基本元素列举如下：

基本元素	说明
Tag	标签，最基本的信息组织单元，分别用 <> 和 </>标明开头和结尾
Name	标签的名字，获取格式：<tag>.name
Attributes	标签的属性，获取格式：<tag>.attrs
NavigableString	标签内非属性字符串，获取格式：<tag>.string
Comment	标签内字符串的注释部分，一种特殊的Comment类型

我们可以对前面获得的 soup 进行尝试：

print(soup.title)
# 返回 <title>This is a python demo page</title>
tag = soup.a
print(tag)
# 返回 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> 
print(soup.a.parent.name)	# 返回 'p'
print(soup.a.parent.parent.name)	# 返回 'body'
print(tag.attrs)
# 返回 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
prin(soup.a.string)	# 返回 Basic Python

我们需要注意的是，当我们的 HTML 存在多个相同的标签时，只会返回第一个。我们再来看一下 Comment 元素的使用：

newsoup = Beautiful("<b><!--This is a comment--></b><p>This is not a comment</p>", "html.parser")
print(newsoup.b.string) # 返回 'This is a comment'
print(newsoup.p.string)	# 返回 'This is not a comment'

我们总结一下，对于 < p class=“title”> … </p>，若要得到 p ，我们使用： .name，若要得到 class=“title”，我们使用：属性.attrs，若要得到 title，我们使用**标签.<tag> **，若要得到…(文本)，我们使用：非属性字符串/注释.string

基于 bs4 库的 HTML 内容遍历方法

在 HTML 中我们有三种遍历方式 —— 上行遍历、下行遍历和平行遍历，下面分别介绍这几种遍历的直接方法。

标签树的下行遍历

属性	说明
.contents	子节点的列表，将 <tag> 所有儿子节点存入列表
.children	子节点的迭代类型，与 .contents 类似，用于循环遍历儿子节点
.descendants	子孙节点的迭代类型，包括所有子孙节点，用于循环遍历

例如：

>>> soup = BeautifulSoup(demo, "html.parser")
>
>>> soup.head
<head><title>This is a python demo page</title></head>

>>>soup.head.contents
[<title>This is a python demo page</title>]

>>> soup.body.contents
['\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, '\n', <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, '\n']

>>> len(soup.body.contents)
5

>>> soup.body.contents[1]
<p class="title"><b>The demo python introduces several python courses.</b></p>

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点父辈标签的迭代类型，用于循环遍历先辈节点

下面是上行遍历的代码：

>>> soup = BeautifulSoup(demo, "html.parser")
>>> for parent in soup.a.parents:
		if parent is None:
			print(parent)
		else:
			print(parent.name)
			
p
body
html
[document]

标签树的平行遍历

属性	说明
.next_sibling	返回按照 HTML 文本顺序的下一个平行节点标签
.previous_sibling	返回按照 HTML 文本顺序的上一个平行节点标签
.next_siblings	返回按照 HTML 文本顺序的后续所有平行节点标签
.previous_siblings	返回按照 HTML 文本顺序的前续所有平行节点标签

需要注意的是：平行遍历发生在同一个父节点下的各节点间。
还记得我们前面的那个标签树吗？我们截取一部分来回顾一下：

<p class="course">
   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">

我们接下来对 a 标签进行简单的平行遍历尝试：

>>> soup = BeautifulSoup(demo, "html.parser")
>>> soup.a.next_sibling
' and '
>>> soup.a.next_sibling.next_sibling
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
>>> soup.a.previous_sibling
'Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n'

我们可以通过以下代码做标签树的平行遍历：

for sibling in soup.a.next_siblings:
	print(sibling)
for sibling in soup.a.previous_siblings:
	print(sibling)

基于 bs4 库的 HTML 格式输出

我们应该如何让 <html> 内容更加友好地输出呢？就是我们前面使用的 BeautifulSoup.prettify() 函数来实现。

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<p> 中文 china </p>","html.parser")
>>> soup.prettify()
'<p>\n 中文 china\n</p>'
>>> print(soup.prettify())
<p>
 中文 china
</p>