Python爬虫之”靓汤“（beautiful soup）

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。

BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归
纳为4种:

---

 beautiful soup简单使用

---

from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read().decode("utf-8")
bs = BeautifulSoup(html,"html.parser")   #缩进格式
print(bs.title) # 获取title标签的名称及其内容
print(bs.title.name) # 获取title标签名称
print(bs.title.string) # 获取title标签的文本内容
print(bs.head) # 获取head标签及其中的所有内容
print(bs.a) # 获取第一个a标签中的所有内容
for item in bs.find_all("a"):
    print(item.get("href")) # 获取所有的a标签，并遍历打印a标签中的href的值
for item in bs.find_all("a"):
    print(item.get_text())   # 获取所有的a标签，并遍历打印a标签的文本值

---

1.Tag  标签及其内容；拿到它所找到的第一个内容

from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read().decode("utf-8")
bs = BeautifulSoup(html,"html.parser")
print(bs.title.string)
print(type(bs.title.string))

Tag 通俗点讲就是 HTML中的一个个标签， 我们可以利用 soup 加标签名轻松地获取这些标签的内

容，这些对象的类型是 bs4.element.Tag。但是 注意，它查找的是在所有内容中的第一个符合要求

的标签。

---

对于 Tag，它有两个重要的属性，是 name 和 attrs：

简单用法

from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read().decode("utf-8")
bs = BeautifulSoup(html,"html.parser")
print(bs.name)          # [document] #bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.head.name)      # head #对于其他内部标签，输出的值便为标签本身的名称
print(bs.a.attrs)         # 在这里，把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(bs.a['class'])        # 等价 bs.a.get('class')
bs.a['class'] = "newClass"     # 可以对这些属性和内容等等进行修改
print(bs.a)
del bs.a['class']   # 还可以对这个属性进行删除
print(bs.a)

2.NavigableString  标签里的内容（字符串)

得到了标签的内容，要想获取标签内部的文字，用.string 即可

from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.title)
print(bs.title.string)
print(type(bs.title.string))

 3.BeautifulSoup

BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性

from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.name)
print(type(bs.name))
print(bs.attrs)
print(bs.a.string)
print(type(bs.a.string))

---

4、Comment   (内容)

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号

from bs4 import BeautifulSoup
file = open('./baidu.html',"rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.a)
# a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
print(bs.a.string) # 新闻
print(type(bs.a.string)) 

 文档的遍历

1    .contents：获取Tag的所有子节点，返回一个list

print(bs.head.contents)
print(bs.head.contents[1])

---

2    .children：获取Tag的所有子节点，返回一个生成器

for child in  bs.body.children:
    print(child)

 其他同理

.contents	获取Tag的所有子节点，返回一个list
.children	获取Tag的所有子节点，返回一个生成器
.descendants	获取Tag的所有子孙节点
.strings	如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
.stripped_strings	与strings用法一致，只不过可以去除掉那些多余的空白内容
.parent	获取Tag的父节点
.parents	递归得到父辈元素的所有节点，返回一个生成器
.previous_sibling	获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
.next_sibling	获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符

 这是我个人觉得重要的，不够再补充

文档的搜索

1,find_all(） #找到所有

find_all 的更多用法 -过滤器。这些过滤器贯穿整个搜索 API ，过滤器可以被用在 tag 的 name 中，节点的属性等。

字符串过滤：会查找与字符串完全匹配的内容   输出在一个列表中

t_list = bs.find_all("a")
print(t_list)

---

正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

按照标签来找内容,标签里面有就把标签及其内容打印输出

t_list= bs.find_all(re.compile("a"))
print(t_list)

---

方法 ： 传入一个函数（方法),根据函数的要求来搜索  （功能强大）可以自己定义方式查询

def name_is_exists(tag):
    return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
    print(item)

---

2.kwargs   参数

可以指定就想找到谁

t_list= bs.find_all(id="head")
for item in t_list:
    print(item)

 若参数名与系统关键字一样，可以加’_‘区分如 class_=true

---

3.text 参数

通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受 字符串，正则 表达式，列表

t_list = bs.find_all(text =["hao123","地图","贴吧"])
for item in t_list:
    print(item)

---

4.limit 参数

限制获取多少个数据

t_list = bs.find_all("a",limit=2)
for item in t_list:
    print(item)

---

css选择器

在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag

t_list = bs.select('title'）	#通过标签来查找
t_list = bs.select(".mnav")	#通过类名来查找
t_list = bs.select("#u1")	#通过id来查找
t_list = bs.select("a[class='bri']")	#通过属性来查找
t_list = bs.select("head > title")	#通过子标签来查找
t_list = bs.select(".mnav ~ .bri")	#通过兄弟节点标签查找

获取内容

t_list = bs.select('title')   #通过标签来查找
for item in t_list:
    print(item)
print(t_list[0].get_text())

 小记

With in-depth study, I feel more and more that my brain is not enough and it is a little hard. I have to search the relevant information on the Internet repeatedly.But it's not a loss .When I look for information, it also deepens my understanding of this it.