文章目录
一 爬虫之解析库beautifulsoup
(一) 介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。你可能在寻找 Beautiful Soup3 的文档，Beautiful Soup 3 目前已经停止开发，官网推荐在现在的项目中使用Beautiful Soup 4， 移植到BS4。
# 安装 Beautiful Soup
pip install beautifulsoup4
# 安装解析器
1) Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:
$ apt-get install Python-lxml
$ easy_install lxml
$ pip install lxml
2) 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
$ apt-get install Python-html5lib
$ easy_install html5lib
$ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点，官网推荐使用lxml作为解析器，因为效率更高。 在Python2.7.3之前的版本和Python3中3.2.2之前的版本，必须安装lxml或html5lib，因为那些Python版本的标准库中内置的HTML解析方法不够稳定。
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
Python标准库 | BeautifulSoup(markup, "html.parser") | Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
lxml HTML 解析器 | BeautifulSoup(markup, "lxml") | 速度快文档容错能力强 | 需要安装C语言库 |
lxml XML 解析器 | BeautifulSoup(markup, ["lxml", "xml"])BeautifulSoup(markup, "xml") | 速度快唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup, "html5lib") | 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩展 |
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
(二) 基本使用
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""
# 基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') # 具有容错功能
res=soup.prettify() # 处理好缩进，结构化显示
print(res)
(三) 遍历文档树
#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
#1、用法
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点
# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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>
"""
# 1、用法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# soup=BeautifulSoup(open('a.html'),'lxml')
print(soup.p) # 存在多个相同的标签则只返回第一个
print(soup.body.p) # 存在多个相同的标签则只返回第一个
print(soup.a) # 存在多个相同的标签则只返回第一个
head = soup.head
print(head) # <head><title>The Dormouse's story</title></head>
print(type(head)) # <class 'bs4.element.Tag'>
# 2、获取标签的名称
print(soup.p.name) # 对象.name 取到标签的名字
# 3、获取标签的属性
print(soup.p.attrs) # 所有属性放到字典中，{'class': ['title']}
p=soup.p['class'] # class 是列表，可以有多个
# 4、获取标签的内容
print(soup.p.string) # p下的文本只有一个时(标签及子标签的文本)，取到，否则为None
print(soup.p.strings) # 拿到一个生成器对象, 取到p下所有的文本内容
print(list(soup.p.strings)) # 把生成器的内容转换到列表中
print(soup.p.text) # 取到p下所有的文本内容，包括子标签的文本
for line in soup.stripped_strings: # 去掉空白
print(line)
'''
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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
<p id='list-1'>
哈哈哈哈
<a class='sss'>
<span>
<h1>aaaa</h1>
</span>
</a>
<b>bbbbb</b>
</p>
'''
# 5、嵌套选择
print(soup.head.title.string)
print(soup.body.a.string) # 嵌套选择，取出第一个body下第一个a标签的文本内容
# 6、子节点、子孙节点
print(soup.p.contents) # p下所有子节点，以列表的形式
# ['222', <b>The Dormouse's story</b>, '333']
print(soup.p.children) # 得到一个迭代器,包含p下所有子节点
# <list_iterator object at 0x00000272186DDBA8>
for i,child in enumerate(soup.p.children):
print(i,child)
print(soup.p.descendants) # 获取子孙节点, p下所有的标签都会选择出来，是一个迭代器
# <generator object descendants at 0x00000228CF99FE08>
for i,child in enumerate(soup.p.descendants):
print(i,child)
# 7、父节点、祖先节点
print(soup.a.parent) # 获取a标签的父节点，得到标签及完整的内容
print(soup.a.parents) # 迭代器，找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
# 8、兄弟节点
print('=====>')
print(soup.a.next_sibling) # 下一个兄弟 # ,
print(soup.a.previous_sibling) # 上一个兄弟
print(list(soup.a.next_siblings)) # 下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象
(四) 搜索文档树
1 五种过滤器
五种过滤器: 字符串、正则表达式、列表、True、方法
find() 和 find_all()
# 搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# 1、五种过滤器: 字符串、正则表达式、列表、True、方法
# 1.1、字符串： name:标签名 class_:类名 id：id号 href：href
print(soup.find_all('b')) # 找出的结果是列表
# 只要是BeautifulSoup对象Tag的对象，可以继续find，继续遍历 . 找
res1 = soup.find(name='body').p
res2 = soup.find(name='body').find(name='p')
print(type(res1)) # <class 'bs4.element.Tag'>
res = soup.body.find(id='link2')
res = soup.body.find(href='http://example.com/lacie')
res = soup.body.find(name='a', href='http://example.com/lacie')
print(res) # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
# 1.2、正则表达式
import re
print(soup.find_all(re.compile('^b'))) # 找出b开头的标签，结果有body和b标签
res = soup.find_all(class_=re.compile('^s'), name='a')
print(res)
# 1.3、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:
res = soup.find_all(name=['a', 'b'])
print(res)
res = soup.find_all(id=['link1', 'link3'], class_='sister')
print(res)
# 1.4、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
print(soup.find_all(True))
for tag in soup.find_all(True):
print(tag.name)
# 所有的标签都有name，如果需要查找其他的属性，可以使用更精确的匹配
res = soup.find_all(name=True)
res = soup.find_all(class_=True)
res = soup.find_all(id=True)
res = soup.find_all(href=True)
for i in res:
url = i['href']
print(url)
# 1.5、方法:【使用较少】。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')
print(soup.find_all(has_class_but_no_id))
2 find_all
find_all( name , attrs , recursive , text , **kwargs )
# 2、find_all( name , attrs , recursive , text , **kwargs )
# 2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符串,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))
# 2.2、keyword: key=value的形式，value可以是过滤器：字符串, 正则表达式, 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
print(soup.find_all(id=True)) #查找有id属性的标签
# 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')
# data_soup.find_all(data-foo="value") #报错：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>]
# 2.3、按照类名查找，注意关键字是class_，class_=value，value可以是五种选择器之一
print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
# 2.4、attrs
print(soup.find_all('p',attrs={'class':'story'}))
# 2.5、text: 值可以是：字符，列表，True，正则，方法
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))
# 2.6、limit参数: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))
# 2.7、recursive: 是否递归查找，默认全找，设为false只找一层
# 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))
'''
# 像调用 find_all() 一样调用tag #
find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
soup.find_all("a")
soup("a")
这两行代码也是等价的:
soup.title.find_all(text=True)
soup.title(text=True)
'''
3 find
find( name , attrs , recursive , text , **kwargs )
find() = find_all(, limit=1)
# 3、find( name , attrs , recursive , text , **kwargs )
find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
soup.find_all('title', limit=1)
# [<title>The Dormouse's story</title>]
soup.find('title')
# <title>The Dormouse's story</title>
唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
print(soup.find("nosuchtag"))
# None
soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
soup.head.title
# <title>The Dormouse's story</title>
soup.find("head").find("title")
# <title>The Dormouse's story</title>
4 其他方法
#见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent
5 CSS选择器
#id_p :#id号 .class1 :.类名 body :标签名 p>b :p的亲儿子b p b :p的的后代b
# 该模块提供了[select方法]来支持css选择器，详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title">
<b>The Dormouse's story</b>
Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">
<span>Elsie</span>
</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>;
<div class='panel-1'>
<ul class='list' id='list-1'>
<li class='element'>Foo</li>
<li class='element'>Bar</li>
<li class='element'>Jay</li>
</ul>
<ul class='list list-small' id='list-2'>
<li class='element'><h1 class='yyyy'>Foo</h1></li>
<li class='element xxx'>Bar</li>
<li class='element'>Jay</li>
</ul>
</div>
and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# 1、CSS选择器
# CSS选择器在浏览器中可以直接copy，然后再配合其他css选择器如后代等等使用
print(soup.p.select('.sister'))
print(soup.select('.sister span'))
print(soup.select('#link1'))
print(soup.select('#link1 span'))
print(soup.select('#list-2 .element.xxx')) # [<li class="element xxx">Bar</li>]
print(soup.select('#list-2')[0].select('.element')) # 可以一直select,但其实没必要,一条select就可以了
# 2、获取属性
print(soup.select('#list-2 h1')[0].attrs)
# print(type(soup.select('#link1')[0])) # bs4对象 <class 'bs4.element.ResultSet'>
print(soup.select('#list-2 h1')[0].text)
# 3、获取内容
print(soup.select('#list-2 h1')[0].get_text())
五 修改文档树
链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
六 总结
# 总结:
# 1、推荐使用lxml解析库
# 2、讲了三种选择器:标签选择器，find与find_all，css选择器
1、标签选择器筛选功能弱,但是速度快
2、建议使用find,find_all查询匹配单个结果或者多个结果
3、如果对css选择器非常熟悉建议使用select，CSS选择器通用（bs4，selenium，lxml）
# 3、记住常用的获取属性 attrs 和文本值 get_text() 的方法
1365
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
