Python爬虫利器之Beautiful Soup的用法

最新推荐文章于 2023-04-16 13:08:43 发布
luoyu_bie
最新推荐文章于 2023-04-16 13:08:43 发布
阅读量492
点赞数
文章标签： python 爬虫 Beautifulsoup
python爬虫专栏收录该内容
8 篇文章 0 订阅
订阅专栏
转载：静觅 » Python爬虫利器二之Beautiful Soup的用法
#!/usr/bin/env python
# _*_coding:utf-8 _*_
# @Time     :2017/8/26 10:56
# @Author   :luoyu_bie
# @File     :BeatifulSoup1.py
# @Software :PyCharm Community Edition
from bs4 import BeautifulSoup
from lxml import etree
html = '''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class=“story”>...</p>
'''
soup = BeautifulSoup(html,'lxml')
#1、格式化输出
#print soup.prettify()

#2、获取title标签/标签内文本
print soup.title
print soup.title.text
#<title>The Dormouse's story</title>
#The Dormouse's story

#3、获取a标签
print soup.a
#结果：<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

#1-3、soup加标签名轻松地获取这些标签的内容，但它查找的是在所有内容中的第一个符合要求的标签

#4.1、对于 Tag，它有两个重要的属性，是 name 和 attrs
print soup.name
print soup.head.name
#[document]
#head

#4.2 Tag属性 attrs
print soup.p
print soup.p['class']
#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
#['title']

#4.3想获取标签内部的文字,用.string
#如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。
# 如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容
#如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None
print soup.p.string
#The Dormouse's story

print soup.html.string
#None

#5、 contents属性可以将tag 的子节点以列表形式输出
print soup.head.contents

#6、所有的子节点，遍历输出

for child in soup.body.children:
    print child





#二、搜索文档书
#1、find_all( name , attrs , recursive , text , **kwargs )
#find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
#1.1name 参数：name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
#A.传字符串
#最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,
# 下面的例子用于查找文档中所有的<b>标签
print soup.find_all('b')
#>>>[<b>The Dormouse's story</b>]

#B.传正则表达式
#如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.
# 下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到
import re
for tag in soup.find_all(re.compile('b')):
    print tag.name
#>>> body
#>>> b

#C.传列表
#如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.
# 下面代码找到文档中所有<a>标签和<b>标签

print soup.find_all(['a','b'])

#D.传 True
#True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
for tag1 in soup.find_all(True):
    print tag1.name

#E.传方法
#如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数
#如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
#  <p class="story">Once upon a time there were...</p>,
#  <p class="story">...</p>]

#2、keyword 参数
'''
注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,
如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
'''
print soup.find_all(id='link2')
#>>> [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

#如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
print soup.find_all(href=re.compile("elsie"))
#>>> [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

#使用多个指定名字的参数可以同时过滤tag的多个属性
print soup.find_all(href=re.compile("elsie"), id='link1')
#>>> [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

#在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
print soup.find_all("a", class_="sister")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
#  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

#有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
#print data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression

#但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
print data_soup.find_all(attrs={"data-foo": "value"})
# [<div data-foo="value">foo!</div>]

#1.3 text 参数

print soup.find_all(text="Elsie")
# [u'Elsie']

print soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']

print soup.find_all(text=re.compile("Dormouse"))
#>>> [u"The Dormouse's story", u"The Dormouse's story"]

#2.4 limit 参数
#find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.
# 效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
print soup.find_all("a", limit=2)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]


#3、CSS选择器
'''
我们在写 CSS 时，标签名不加任何修饰，类名(class)前加点(.)，id名前加 #，
在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
'''
#8.1通过标签名查找
print soup.select('title')
#[<title>The Dormouse's story</title>]

#8.2 通过类名查找
print soup.select('.sister')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

#8.3 通过 id 名查找
print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#8.4 组合查找
#组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#直接子标签查找
print soup.select("head > title")
#[<title>The Dormouse's story</title>]

#属性查找
#查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到
print soup.select('a[class="sister"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()

for title in soup.select('title'):
    print title.get_text()