beautifulsoup:是一款非常强大的工具,爬虫利器。“美味的汤,绿色的浓汤”。一个灵活又方便的网页解析库,处理高效,支持多种解析器。 利用它就不用编写正则表达式也能方便的实现网页信息的抓取。
lxml:是python的一个解析库,支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高。(具体可参考:https://www.cnblogs.com/zhangxinqi/p/9210211.html ) (XPath:全称XML Path Language,即XML路径语言,是一门在XML文档中查找某部分位置信息的语言,最初是用来搜寻XML文档节点信息的,但是它同样适用于HTML文档的搜索。可参考:https://zhuanlan.zhihu.com/p/37177627 XPath的选择功能十分强大,它提供了非常简明的路径选择表达式,另外,它还提供了超过100个内建函数,用于字符串、数值、时间的匹配以及节点、序列的处理等,几乎所有我们想要定位的节点,都可以用XPath来选择。 XPath于1999年11月16日成为W3C标准,它被设计为供XSLT、XPointer以及其他XML解析软件使用,更多的文档可以访问其官方网站:https://www.w3.org/TR/xpath/ )
本次demo目的:
准备工作:安装bs4库,因用到解析库lxml,so也要pip install下lxml模块。(sublime的python环境配置这里就不多做赘述)
参考用例:
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8"/>
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"/>
<title>测试bs4</title>
<meta name="description" content=""/>
<meta name="keywords" content=""/>
<link href="" rel="stylesheet"/>
</head>
<body>
<div>
<p>python</p>
</div>
<div class="song" >
唐宋八大家
<a href="http://www.song.com/" title="豪放派" target="_self">
<p class='su'> <a href="" id='su'>苏轼</a></p>
<p>...</p>
<p>唐有韩柳,宋为欧阳、三苏和曾王</p>
</a>
<a href="" class="du" title="婉约派">李清照</a>
<p id='li'> <a href="" id='li'>千古第一才女李清照</a></p>
<img src="http://www.baidu.com/meinv.jpg" alt="">
</div>
<div class="tang">
<ul>
<li><b>生当作人杰,死亦为鬼雄</b></li>
<li><i>易安居士</i></li>
<li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
<li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
<li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
<li><a href="http://www.haha.com" id='feng'>凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
<li><a href="http://www.sina.com" class="du">杜甫</a></li>
<li><a href="http://www.dudu.com" class="du">杜牧</a></li>
</ul>
</div>
</body>
</html>
from bs4 import BeautifulSoup
# 1.生成对象
soup = BeautifulSoup(open('soup_text.html', encoding='utf-8'), 'lxml')
print(soup.prettify())
print(type(soup))
print(soup)
# 标签选择器:通过这种soup.标签名查找,如果文档中有多个这样的标签,只能找到第一个符合要求的标签
print(soup.title.name) # 获取名称
print(type(soup.title))
print(soup.head)
print(soup.p)
print(soup.div)
# 2.获取属性
# soup.a.arrts # 获取a标签所有属性和值,返回一个字典
# soup.a.attrs['href'] # 获取href属性
# soup.a['href'] # 也可简写成这种
#上面两种方式都可以获取a标签的href属性值
print(soup.a['href'])
print(soup.a['title'])
print(soup.a['target'])
print(soup.a.attrs['href'])
#attrs可以传入字典的方式来查找标签,但是这里有个特殊的就是class,因为class在python中是特殊的字段,所以如果想要查找class相关的可以更改attrs={'class_':'element'}或者soup.find_all('',{"class":"element}),特殊的标签属性可以不写attrs,例如id
print(soup.find_all(attrs={'id': 'li'}))
# 3.获取内容
# soup.a.text
# soup.a.get_text()
# soup.a.string # 只能够获取文本,如果标签里还有标签就返回None,而前两个,可以获取所有文本内容
print(soup.a.get_text())
print(soup.div.text)
print(soup.div.string)
print(soup.div.get_text())
#嵌套选择
#我们直接可以通过下面嵌套的方式获取子节点和子孙节点
print(soup.head.title.string)
# 4.find
# soup.find('a') #找到第一个符合要求的标签
# print(soup.find('a', title='qin'))
# print(soup.find('a', alt='qi'))
# print(soup.find('a', class_='du'))
# print(soup.find('a', id='feng'))
# print(soup.find('a', class_='du')) # 注意使用class_,区别于类关键字
# div = soup.find('div', class_='tang')
# print(div)
# print(div.find('a', alt='qi'))
print(div.find('a', class_='du')) # find方法不仅soup可以调用,普通的div对象也能调用,会去指定的div里面去查找符合要求的节点
# 5.find_all
lt = soup.find_all('a')
print('soup.find_all\'s type:', type(lt))
div = soup.find('div', class_='tang')
a = div.find_all('a')
# print(a)
print('soup.find().find_all\'s type:', type(a)) # <class 'bs4.element.ResultSet'>
print('soup.find().find_all element\'s type:', type(a[0])) # <class 'bs4.element.ResultSet'>
# print(a[0].get_text('href'))
print(div.find_all(['a', 'b'])) # 返回列表内所有的标签内容
# print(div.find_all('a', limit=2)) # 取前两个
# find、find_all返回列表,类型都为<class 'bs4.element.ResultSet'>,元素为<class 'bs4.element.Tag'>
# find_all(name,attrs,recursive,text,**kwargs)
# find(name,attrs,recursive,text,**kwargs)
# 可以根据标签名,属性,内容查找文档。
# find返回的匹配结果的第一个元素其他一些类似的用法:
# find_parents()返回所有祖先节点,find_parent()返回直接父节点。
# find_next_siblings()返回后面所有兄弟节点,find_next_sibling()返回后面第一个兄弟节点。
# # find_previous_siblings()返回前面所有兄弟节点,find_previous_sibling()返回前面第一个兄弟节点。
# find_all_next()返回节点后所有符合条件的节点, find_next()返回第一个符合条件的节点
# find_all_previous()返回节点后所有符合条件的节点, find_previous()返回第一个符合条件的节点
# 6.select
s = soup.select('.song')
print(len(s))
print('soup.select\'s type:', type(s)) # 返回列表<class 'list'>
# print(s[0])
print('select\'s element type:', type(s[0])) # <class 'bs4.element.Tag'>
s1 = soup.select('.song a') # 组合查找,可层级筛选
print(s1)
print(s1[0].get('href'))
s2 = soup.select('.song img')
print(s2[0].get('src'))
# print(s2[0].get('alt'))
print(soup.select(' p #su')) # 组合查找,p标签下id为su的内容
print(soup.select(' p.su')) # 组合查找,class为su的p标签内容
print(soup.select('p#li')) # 组合查找,id为li的p标签的内容
print(soup.select('head>title')) # 直接子标签查找
# select返回列表,类型为<class 'list'>,list中元素为<class 'bs4.element.Tag'>
具体使用:
from bs4 import BeautifulSoup
#设置头部信息
...
headers={
'cookie': cookie, # 自行补充cookies
'referer': referer, # 跳转自的页面
'user-agent': user_agent # 伪装浏览器引擎
}
main_count = 1
# 获取具体图片所在url,并下载相应图片信息
def get_url(url, headers):
global main_count
print('******主页第{}页,url:{}*****'.format(main_count, url))
res = requests.get(url, headers=headers)
soup = BeautifulSoup(res.text, 'lxml')
div = soup.find('div', class_='main-content') # 限定div,尽量缩小查找节点的范围,避免获取到垃圾url造成不必要麻烦
for i in div.find_all(target='_blank'):
if i.select('img'):
img_url = i.get('href')
print(img_url)
# 获取图片
get_second_parse(img_url, headers)
time.sleep(2)
# 由于网站图片集有分页,所以需要处理分页,获取下一图集所在url,并回调
if soup.select('a.next.page-numbers')[0].get('href'):
next_url = soup.select('a.next.page-numbers')[0].get('href')
main_count += 1
get_url(next_url, headers)
# 获取具体图片所在url,并下载相应图片信息
def get_url(url, headers, img_num_per_page):
global main_count
print('******主页第{}页,url:{}*****'.format(main_count, url))
res = requests.get(url, headers=headers)
soup = BeautifulSoup(res.text, 'lxml')
div = soup.find('div', class_='main-content') # 限定div,尽量缩小查找节点的范围,避免获取到垃圾url造成不必要麻烦
for i in div.find_all(target='_blank'):
if i.select('img'):
img_url = i.get('href')
print(img_url)
# 获取图片
get_inside_parse(img_url, headers, img_num_per_page)
# break
time.sleep(2)
# 由于网站图片集有分页,所以需要处理分页,获取下一图集所在url,并回调
if soup.select('a.next.page-numbers')[0].get('href'):
next_url = soup.select('a.next.page-numbers')[0].get('href')
main_count += 1
get_url(next_url, headers, img_num_per_page)
# 下载每张照片,注意单位时间访问服务器的频率防止被forbidden
def get_inside_parse(lst_url, headers, img_num_per_page):
count = 1
print('second_parse')
res = requests.get(lst_url, headers=headers)
time.sleep(1)
try:
img_title_soup = BeautifulSoup(res.text, 'lxml')
if img_title_soup.select('.main-title')[0].get_text():
img_title = img_title_soup.select('.main-title')[0].get_text()
# print(img_title)
for index in range(1, img_num_per_page): # 最多下载到img_num_per_page-1张,可自行设置
page_url = lst_url + '/' + str(index)
res = requests.get(page_url, headers=headers)
time.sleep(1)
print(page_url, res.status_code)
if res.status_code != 200: # 超出图片列表,status错误则跳出
break
soup = BeautifulSoup(res.text, 'lxml')
# 注意select的使用,select返回值类型:<class 'bs4.element.ResultSet'>列表
if soup.select('.main-image p a img')[0].get('src'):
img_url = soup.select('.main-image p a img')[0].get('src')
filename = 'my_imgs/{}'.format(img_title)
if not os.path.exists(filename):
os.makedirs(filename)
print('正在下载{}第{}张图片'.format(img_title, count))
print(soup.select('.main-image p a img')[0].get('src'))
print(filename)
dirname = '%s/%s.jpg' % (filename, count)
with open(dirname, 'wb+') as jpg:
jpg.write(requests.get(img_url, headers=headers).content)
time.sleep(1)
count += 1
else:
print('URL:{}无main-title').format(lst_url)
except ValueError as e:
print(e.ValueError)
if __name__ == '__main__':
get_url(url, headers, 21)
过程问题:
-
find、find_all返回列表,类型都为<class 'bs4.element.ResultSet'>,元素为<class 'bs4.element.Tag'>
-