BeautifulSoup模块

【一】Beautifulsoup4初始

【前言】bs4模块

  • 安装

pip install beautifulsoup4

【1】什么是beautifulsoup:

​ 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。(官方)

​ beautifulsoup是一个解析器,可以特定的解析出内容,省去了我们编写正则表达式的麻烦。

  • 模块介绍

BeautifulSoup是一个解析库,可以从HTLML中提取数据的库

【2】HTML解析器

【1】内置解析器html.parser

  • 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
  • 如果我们不安装它,则 Python 会使用 Python默认的解析器
soup=BeautifulSoup(页面源码,'html.parser') 

【2】第三方解析器lxml

  • lxml 解析器更加强大,速度更快,推荐安装。
pip3 install lxml
  • 语法
soup=BeautifulSoup(页面源码,'lxml') 

【3】第三方解析器html5lib

  • 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
pip3 install html5lib
  • 语法
soup=BeautifulSoup(页面源码,'html5lib') 

【4】解析器对比

(1)解析器优缺点

1

(2)解析器使用方法
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

【3】生成soup对象

  • 从一个soup对象开始,以下两种方式生成一个soup对象

  • soup=beautifulsoup(解析内容,解析器)

  • 常用解析器:html.parser,lxml,xml,html5lib

  • 有时候需要安装安装解析器:比如pip3 install lxml

【1】方法一

from bs4 import BeautifulSoup

# 指定HTML源码文件,传入文件源码
soup = BeautifulSoup(open("index.html"))   

【2】方法二

from bs4 import BeautifulSoup

# 直接放入 HTML 源码
soup = BeautifulSoup("<html>data</html>")  

【3】示例

生成 BeautifulSoup 对象有两种常用的方法:

通过解析器直接解析字符串或文件内容:

from bs4 import BeautifulSoup

# 通过字符串生成soup对象
html_content = "<html><body><h1>Hello, World!</h1><p>This is an example paragraph.</p></body></html>"
soup = BeautifulSoup(html_content, 'html.parser')

# 通过文件生成soup对象
with open("example.html") as file:
    soup = BeautifulSoup(file, 'html.parser')

通过请求库获取网页内容并解析:

import requests
res = requests.get('https://www.biqg.cc/book/3525/', timeout=3)

headers = {
   
    "User-Agent": UserAgent().random
}
# 指定HTML源码文件,传入文件源码
soup = BeautifulSoup(res.text, 'html.parser')
  • 使用标签名来获取结点:

soup.标签名

  • 使用标签名来获取结点标签名(这个重点是name,主要用于非标签名式筛选时,获取结果的标签名):

soup.标签.name

  • 使用标签名来获取结点属性:

soup.标签.attrs(获取全部属性)

soup.标签.attrs[属性名](获取指定属性)

soup.标签[属性名](获取指定属性)

soup.标签.get(属性名)

  • 使用标签名来获取结点的文本内容:

soup.标签.text

soup.标签.string

soup.标签.get_text()

补充1:

上面的筛选方式可以使用嵌套:

print(soup.p.a)#p标签下的a标签

# 获取源码中所有的文本内容
text = soup.get_text() 
# 获取源码中所有的a标签
a_tag = soup.find_all('a')
# 遍历每一个a标签
for a in a_tag:
    # 提取每一个a标签中的 href 属性
    a_href = a.get("href")

【二】文档树操作

【1】什么是文档树

​ BeautifulSoup的文档树是指使用BeautifulSoup解析HTML或XML文档后所构建的数据结构,它代表了整个文档的层级结构和内容关系。在BeautifulSoup中,文档树以特定的方式组织了文档中的各个元素(标签、文本、注释等),使得用户可以方便地对文档进行遍历、搜索和操作。

image-20240329110839808

【2】常见的文档树遍历算法

  • 选择起始节点:
    • 首先需要确定遍历的起始节点,可以是整个文档的根节点,也可以是某个指定的节点。
  • 访问当前节点:
    • 从起始节点开始,首先访问当前节点,可以获取当前节点的标签名、属性、文本内容等信息。
  • 处理当前节点:
    • 根据需要,对当前节点进行一些处理操作,比如判断节点类型、执行特定的任务等。
  • 遍历子节点:
    • 如果当前节点有子节点,将从第一个子节点开始递归遍历,重复步骤2和步骤3。
  • 遍历兄弟节点:
    • 如果当前节点没有子节点或者子节点已经遍历完毕,将继续遍历当前节点的下一个兄弟节点,重复步骤2和步骤3。
  • 返回父节点:
    • 当遍历到某个节点的兄弟节点都被遍历完毕后,返回到该节点的父节点,并继续遍历父节点的下一个兄弟节点。
  • 结束条件:
    • 当整个文档树的节点都被遍历完毕,或者满足某个结束条件时,结束遍历过程。

总结

​ 深度优先搜索(DFS)和广度优先搜索(BFS)。这两种搜索算法在处理文档树时具有不同的特点和应用场景:

  1. 深度优先搜索(DFS):
    • 从起始节点开始,尽可能深地访问每个节点的子节点,直到到达最深层的节点。
    • 使用递归或栈来实现,适合于需要优先探索整棵子树的情况。
    • 对于HTML/XML文档DOM树,DFS可以帮助我们深入到每个节点的子节点,适用于深度优先遍历和搜索。
  2. 广度优先搜索(BFS):
    • 从起始节点开始,按层级顺序逐层访问各个节点,先访问完当前层的所有节点,再逐层向下遍历。
    • 使用队列来实现,适合于需要逐层扩展搜索范围的情况。
    • 在处理HTML/XML文档DOM树时,BFS可以帮助我们逐层遍历节点,适用于广度优先遍历和搜索。

​ 选择DFS还是BFS取决于具体的需求和应用场景。DFS适合于深入探索子树,而BFS适合于逐层扩展搜索范围。

from bs4 import BeautifulSoup
html = """
<html >
<head>
<meta charset="UTF-8">
<title>this is a title</title>
</head>
<body>
<p class="news">123</p>
<p class="contents" id="i1">456</p>
<a href="http://www.baidu.com" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
</body>
</html>
"""
soup = BeautifulSoup(html,'lxml')
print("获取结点".center(50,'-'))
print(soup.head)#获取head标签
print(soup.p)#返回第一个p标签
#获取结点名
print("获取结点名".center(50,'-'))
print(soup.head.name)
print(soup.find(id='i1').name)
#获取文本内容
print("获取文本内容".center(50,'-'))
print(soup.title.string)#返回title的内容
print(soup.title.text)#返回title的内容
print(soup.title.get_text())
#获取属性
print("-----获取属性-----")
print(soup.p.attrs)#以字典形式返回标签的内容
print(soup.p.attrs['class'])#以列表形式返回标签的值
print(soup.p['class'])#以列表形式返回标签的值
print(soup.p.get('class'))

#############
t=soup.title
print(type(t))#<class 'bs4.element.Tag'>
print(t.name)#title
print(t.text)

#嵌套选择:
print(soup.head.title.string)

【5】遍历文档树的语法:

  1. 子节点和子孙节点的遍历:
    • 使用.contents可以获取子节点列表,例如:soup.body.contents
    • 使用.children可以获取子节点的迭代器,例如:for child in soup.body.children:
    • 使用.descendants可以递归获取所有子孙节点,例如:for descendant in soup.body.descendants:
  2. 父节点和祖先节点的遍历:
    • 使用.parent可以获取父节点,例如:soup.title.parent
    • 使用.parents可以获取所有祖先节点,例如:for parent in soup.title.parents:
  3. 兄弟节点的遍历:
    • 使用.next_sibling.previous_sibling可以获取下一个兄弟节点和上一个兄弟节点。
    • 使用.next_siblings.previous_siblings可以获取所有后续兄弟节点和前序兄弟节点。
  4. 查找特定节点:
    • 使用.find()可以查找符合条件的第一个节点,例如:soup.find('p', class_='news')
    • 使用.find_all()可以查找符合条件的所有节点,例如:soup.find_all('p')
  5. CSS选择器:
    • 使用类似CSS选择器的语法来查找节点,例如:soup.select('p.contents')

【6】遍历文档树

直接通过标签名字选择,特点是速度快,但是如果存在多个相同的标签则只返回第一个

  • html文档准备
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my_p" class="title">hello<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>
"""
  • 文档容错能力,不是一个标准的html也能解析
# 上述html文档的html body标签并没有闭合
soup=BeautifulSoup(html_doc,'lxml')
  • 遍历文档树用法

获取标签内的数据

head = soup.head (head是标签对象)
print(head)

获取标签名称

print(head.name)

获取标签的属性,属性可能有多个,放在列表中

p = soup.body.p # 获取body标签下的p标签
print(p.attrs)  # 获取p标签的属性/id等
print(p.attrs.get('class'))  # 获取p标签的属性方式一,得到的结果是一个列表
print(p.get('class'))  # 获取p标签的属性方式方式二,得到的结果是一个列表
print(p['class'])  # 获取p标签的属性方式方式二,得到的结果是一个列表

嵌套选择

a=soup.body.a
print(a.get('id'))
# 子节点、子孙节点
print(soup.p.contents) #p下所有子节点
print(soup.p.children) #得到一个迭代器,包含p下所有子节点
print(list(soup.p.children)) #得到一个迭代器,包含p下所有子节点
# 父节点、祖先节点
print(soup.a.parent) #获取a标签的父节点(只有一个)
print(soup.p.parent) #获取p标签的父节点
print(soup.a.parents) #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...
print(list(soup.a.parents))#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...
print(len(list(soup.a.parents)))#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...
# 兄弟节点
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(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象

【7】搜索文档树

【1】 find_all

find():只返回找到的第一个

find_all():找到的所有

find_all() 方法的用法如下:

  • soup.find_all(name, attrs, recursive, text, limit, **kwargs)
    

    :根据给定的条件查找符合条件的所有元素。

    • name:指定要查找的标签名称。
    • attrs:以字典形式指定要查找的标签的属性和属性值。
    • recursive:指定是否递归搜索子孙节点,默认为 True。
    • text:指定要搜索的文本内容。
    • limit:限制返回结果的数量。
    • **kwargs:其他关键字参数,用于匹配标签的其他属性。
  1. 通过标签名搜索:

    soup.find_all('a')  # 查找所有的<a>标签
    soup.find('div')     # 查找第一个<div>标签
    
  2. 通过CSS类名搜索:

    soup.find_all(class_='class_name')
    
    soup.find_all(class_='header wap_none')
    # 查找所有具有指定类名的标签
    
  3. 通过id搜索:

    soup.find_all(id='element_id')  
    
    # 目标地址
    res = requests.get('https://so.gushiwen.cn/gushi/tangshi.aspx')
    # HTML文本进行解析,创建一个BeautifulSoup对象soup
    soup = BeautifulSoup(res.text, 'html.parser')
    # 查找所有id为'arc-body'的标签
    ids = soup.find_all(id='threeWeixin2')
    print(ids)
    # 查找所有具有指定id的标签
    
  4. 通过属性值搜索:

    soup.find_all(attrs={
         'attribute_name': 'value'})  # 查找所有具有指定属性值的标签
    
    a = soup.find_all('div', attrs={
         'class': 'book'})
    
    print(a)
    
  5. 通过文本内容搜索:

    soup.find_all(text='some text')  # 查找所有包含指定文本内容的标签
    

【2】find

  • find() 方法用于在文档中查找符合条件的tag,并返回第一个匹配的结果。
  • 它可以通过指定name、attrs、recursive和string等参数来过滤查找结果。
find( name , attrs , recursive , string , **kwargs )
  • name: 指定要查找的tag名称,可以是字符串或正则表达式。
  • attrs: 指定tag的属性,可以是字典或字典的列表。
  • recursive: 指定是否递归查找子孙tag,默认为True。
  • string: 指定查找的文本内容,可以是字符串或正则表达式。

【3】find_all()find() 的区别

find_all()find() 都是 BeautifulSoup 中用于查找节点的方法,它们之间的区别在于:

  1. find_all(): 用于查找符合条件的所有节点,并以列表形式返回结果。
  2. find(): 用于查找符合条件的第一个节点,并直接返回该节点对象。
  • 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
      • 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

【4】五种过滤器

  • 字符串过滤:过滤内容是字符串
a = soup.find(name='a')
print(a) # <a class="
  • 26
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值