【Python 爬虫基础】BeautifulSoup

BeautifulSoup

1. BeautifulSoup 简介

BeautifulSoup 尝试化平淡为神奇。它通过定位 HTML 标签来格式化和组织复杂的网页信息，用简单易用的 Python 对象为我们展现 XML 结构信息。

2. 安装 BeautifulSoup

由于 BeautifulSoup 库不是 Python 标准库，因此需要单独安装。如果你安装过 Python 库，可以使用你最喜爱的安装器并略过本小节；

我们将使用 BeautifulSoup 4（也叫 BS4 ）。
Linux 系统上的基本安装方法是：

sudo apt-get install python-bs4

对于 macOS 系统，首先用以下命令安装 Python 的包管理器 pip：

sudo easy_install pip

然后运行以下命令安装库：

pip install beautifulsoup4

windows 下可以直接运行以下命令：

pip install beautifulsoup4

这样就可以了，BeautifulSoup 将被当作设备上的一个 Python 库。你可以在 Python 终端里导入它测试一下：

如果没有错误，说明导入成功了。

3. 运行 BeautifulSoup

BeautifulSoup 库最常用的对象恰好就是 BeautifulSoup 对象。让我们运行以下代码看看：

from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen('http://www.pythonscraping.com/pages/page1.html')
bs = BeautifulSoup(html.read(), 'html.parser')
print(bs.h1)

输出结果是：

<h1>Totally Normal Gifts</h1>

这里仅仅返回了页面上的第一个 h1 标签实例。通常情况下，一个页面也只有一个 h1 标签，但是在 Web 中这个惯例经常被打破，因此你应该意识到这里仅仅检索了该标签的第一个实例，而不一定是你寻找的那个。

和前面网页抓取的例子一样，你导入 urlopen 函数，然后调用 html.read() 获取网页的 HTML 内容。除了文本字符串，BeautifulSoup 还可以使用 urlopen 直接返回的文件对象，而不需要先调用 .read() 函数：

bs = BeautifulSoup(html, 'html.parser')

这样你就可以把 HTML 内容传递到 BeautifulSoup 对象，转换成下面的结构：

• html → < html>< head>…< /head>< body>…< /body>< html>
  — head→ < head>< title>A Useful Page< /title>< /head>
  —— title→ < title>A Useful Page< /title>
  — body→ < body>< h1>An Int…< /h1>< div>Lorem ip…< /div>< /body>
  —— h1→ < h1>An Interesting Title< /h1>
  —— div→ < div>Lorem Ipsum dolor…< /div>
  可以看出，我们从网页提取的 < h1> 标签被嵌在 BeautifulSoup 对象结构的第二层（html → body → h1）。但是，当我们从对象里提取 h1 标签的时候，可以直接调用它：

bs.h1

其实，下面的所有函数调用都可以产生相同的结果：

bs.html.body.h1
bs.body.h1
bs.html.h1

当你创建一个 BeautifulSoup 对象时，需要传入两个参数：

bs = BeautifulSoup(html.read(), 'html.parser')

第一个参数是该对象所基于的 HTML 文本，第二个参数指定了你希望 BeautifulSoup 用来创建该对象的解释器。在大多数情况下，你选择任何一个解释器都差别不大（html.parser 是 Python 3 中的一个解释器，不需要单独安装）。

4.可靠的网络连接以及异常的处理

Web 是十分复杂的。网页数据格式不友好、网站服务器死机、目标数据的标签找不到了，都是很麻烦的事情。网页抓取最痛苦的遭遇之一，就是爬虫运行的时候你该洗洗睡了，想着第二天一早数据就都会抓取好放在数据库里，结果第二天醒来，你看到的却是一个因某种数据格式异常导致运行错误的爬虫。那个时候，你可能会骂发明网站（以及那些奇葩的网络数据格式）的人，但你真正应该训斥的人是你自己，为什么不在一开始就估计可能发生的异常！

让我们看看爬虫 import 语句后的第一行代码，看看如何处理可能出现的异常：

html = urlopen('http://www.pythonscraping.com/pages/page1.html')

这行代码主要会发生两种异常：

• 网页在服务器上不存在（或者获取页面的时候出现错误）
• 服务器不存在

发生第一种异常时，程序会返回 HTTP 错误。HTTP 错误可能是“404 Page Not Found” “500 Internal Server Error” 等。对于所有类似情形，urlopen 函数都会抛出 HTTPError 异常。我们可以用下面的方式处理这种异常：

from urllib.request import urlopen
from urllib.error import HTTPError

try:
	html = urlopen('http://www.pythonscraping.com/pages/page1.html')
except HTTPError as e:
	print(e)
	#返回空值，中断程序，或者执行另一个方案
else:
	#程序继续。 注意：如果你已经在上面异常捕捉那一段代码里返回或中断（break），
	#那么就不需要使用 else 语句了，这段代码也不会执行

如果程序返回 HTTP 错误代码，程序就会显示错误内容，不再执行 else 语句后面的代码。

如果服务器不存在（就是说链接 http://www.pythonscraping.com 打不开，或者是 URL 链接写错了），urlopen 会抛出一个 URLError 异常。你可以增加以下检查代码：

from urllib.request import urlopen
from urllib.error import HTTPError
from urllib.error import URLError

try:
	html = urlopen('http://www.pythonscraping.com/pages/page1.html')
except HTTPError as e:
	print(e)
except URLError as e:
	print('The server could not be found')
else:
	print('It worked!')

当然，即使从服务器成功获取网页，如果网页上的内容并非完全是我们所期望的那样，仍然可能会出现异常。每当你调用 BeautifulSoup 对象里的一个标签时，增加一个检查条件以保证标签确实存在是很聪明的做法。如果你想要调用的标签不存在，BeautifulSoup 就会返回 None 对象。不过，如果再调用这个 None 对象下面的子标签，就会发生 AttributeError 错误。

下面这行代码（nonExistentTag 是虚拟的标签，BeautifulSoup 对象里其实没有）

print(bs.nonExistentTag)

会返回一个 None 对象。处理和检查这个对象是十分必要的。如果你不检查，直接调用这个 None 对象的子标签，就会有麻烦，如下所示：

print(bs.nonExistentTag.someTag)

这时就会返回一个异常：

AttributeError: 'NoneType' object has no attribute 'someTag'

那么怎么才能避免这两种情形的异常呢？最简单的方式就是对这两种情形进行检查：

try:
	badContent = bs.nonExistentTag.anotherTag
except AttributeError as e:
	print('Tag was not found')
else:
	if badContent == None:
		print('Tag was not found')
	else:
		print(badContent)

初看这些检查与处理错误的代码会觉得有点累赘，但是我们可以重新简单组织一下代码，让它变得不那么难写（更重要的是，不那么难读）。例如，下面的代码是上面爬虫的另一种写法：

from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup

def getTitle(url):
	try:
		html = urlopen(url)
	except HTTPError as e:
		return None
	try:
		bs = BeautifulSoup(html.read(), 'html.parser')
		title = bs.body.h1
	except AttributeError as e:
		return None
	return title
	
title = getTitle('http://www.pythonscraping.com/pages/page1.html')
if title == None:
	print('Title could not bu found')
else:
	print(title)	

在这个例子中，我们创建了一个 getTitle 函数，它可以返回网页的标题，如果获取网页的时候遇到问题就返回一个 None 对象。在 getTitle 函数里面，我们像前面那样检查了 HTTPError，还检查了由于 URL 输入错误引起的 URLError，然后把两行 BeautifulSoup 代码封装在一个 try 语句里面。这两行中的一行有问题，都可能抛出 AttributeError（如果服务器不存在，html 就是一个 None 对象，html.read() 就会抛出AttributeError）。

在写爬虫的时候，思考代码的总体格局，让代码既可以捕捉异常又容易阅读，这是很重要的。如果你还希望重用大量代码，那么拥有像 getSiteHTML 和 getTitle 这样的通用函数（具有周密的异常处理功能）会让快速、稳定地抓取网页变得简单易行。