python爬虫学习笔记之BeautifulSoup库

Beautiful Soup的介绍

Beautiful Soup是一个Python库，旨在用于快速的周转项目，例如屏幕抓取。三个功能使其强大：

Beautiful Soup提供了一些用于导航，搜索和修改解析树的简单方法和Pythonic习惯用法：用于剖析文档并提取所需内容的工具箱。编写应用程序不需要太多代码
Beautiful Soup会自动将传入文档转换为Unicode，将传出文档转换为UTF-8。您不必考虑编码，除非文档未指定编码并且Beautiful Soup无法检测到编码。然后，您只需要指定原始编码即可。
Beautiful Soup位于流行的Python解析器（如lxml和html5lib）的顶部，使您可以尝试不同的解析策略或提高灵活性。

Beautiful Soup库解析器

import requests
from bs4 import BeautifulSoup
r.requests.get("http://python123.io/ws/demo.html")  #请求网页
demo = r.text
soup = BeautifulSoup(dem，'html.parser')              #指定变量soup代替解析的demo

解析器	使用方法	条件
bs4的HTML解析器	BeautifulSoup(mk,‘html.parser’)	安装bs4库
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库的基本元素

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， … 的名字是’p’，格式：.name
Attributes	标签的属性，字典形式组织，格式：.attrs
NavigableString	标签内非属性字符串，<>…</>中字符串，格式：.string
Comment	标签内字符串的注释部分，一种特殊的Comment类型

Tag标签

soup = BeautifulSoup(demo, "html.parser")
soup.title                     #解析得到demo网页的<title>标签
soup.a                         #解析得到demo网页的<a>标签
soup.p                         #解析得到demo网页的<p>标签

Tag的name(名字)

soup = BeautifulSoup(demo, "html.parser")
soup.a.name                    #<a>标签的名字
soup.a.parent.name             #<a>标签的父级标签
soup.a.parent.parent.name      #<a>标签父级标签的父级标签

Tag的attrs(属性)

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link">Basic Python</a>

soup = BeautifulSoup(demo, "html.parser")
soup.a.attrs                   #<a>标签的属性
soup.a.attrs['class']
type(soup.a.attrs)             #一个标签可以有多个属性，字典类型
type(soup.a)

Tag的NavigableString(非属性字符串)

soup.a
soup.a.string
soup.p
soup.p.string
type(soup.p.string)

Tag的Comment(字符串注释部分)

newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>", "html.parser")
newsoup.b.string
type(newsoup.b.string)        #<class 'bs4.element.Comment'> b标签内的注释是一种特殊类型
newsoup.p.string
type(newsoup.p.string)        #<class 'bs4.element.NavigableString'>

bs4库的HTML内容遍历

html的的遍历有三种：

• head标签下行遍历，html→head→title
• body标签上行遍历，b/a→p→body→html
• 相同标签的平行遍历

下行遍历

属性	说明
.contents	子节点的列表，将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，包含所有子孙节点，用于循环遍历

soup = BeautifulSoup(demo, "html.parser")
soup.head               #head标签的所有内容
soup.head.contents      #head标签子标签内容，可有多个
soup.body.contents      #body标签子标签内容，可有多个
len(soup.body.contents) #body子标签有多少个，'\n'表示回车

上行遍历

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

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
.next_siblings	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签 .previous_siblings

备注：平行遍历发生在同一个父节点下的各节点间，而head下的标签到body下的标签不能成为平行遍历。

bs4库的HTML格式输出

prettify()

soup = BeautifulSoup(demo, "html.parser")
soup.prettify()            #利用\n进行分词
print(soup.prettify())     #通过print，更加工整的输出html结构
print(soup.a.prettify())   #对<a>标签美化输出

BeautifulSoup库的实现

import requests
from bs4 import BeautifulSoup

r.requests.get("http://python123.io/ws/demo.html")
r.status_code
r.text

soup = BeautifulSoup(r.text, 'html.parser')    #html.parser是bs4的html解析器，这里用一个变量soup代替
soup.title                  #title标签，最基本的信息组织单元
soup.title.name             #标签的名字
soup.title.parent.name      #父级标签的名字
soup.title.attrs            #标签的属性，字典形式组织
soup.title.string           #标签内非属性字符串
soup.p.string
type(soup.a)                #a里边的属性，可能含有多个，如a里的class、href