爬虫学习——bs4库的使用

bs4也就是beautifulsoup4，是python解析html文件的一个好用的第三方库，常被用于爬虫。

一、bs4的安装

pip install beautifulsoup4

阿里国内源安装：

pip install beautifulsoup4 -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com

二、bs4解析器

from bs4 import BeautifulSoup
import requests

url = http://www.example.com  # 要爬取的网址

resp = requests.get(url)  # 请求页面信息

soup = BeautifulSoup(resp.text, 'html.parser')  # 使用BeautifulSoup解析网页内容

其中resp.text是得到的html文件，html.parser是python内置的html解析器，如果没有填写这个参数，会默认这个解析器。

bs4还支持一些第三方解析器：

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(html,’html.parser’)	Python内置标准库；执行速度快	在python2.7.3和3.2.2之前的版本中文档容错能力差
lxml html解析器	（需要额外导入）BeautifulSoup(html,’lxml’)	速度快；容错能力强	需要安装C语言库
lxml XML解析器	（需要额外导入）BeautifulSoup(html,[‘lxml’,’xml’])或BeautifulSoup(html,’xml’)	唯一支持解析xml	需要安装C语言库
htm5lib	BeautifulSoup(html,’htm5llib’)	以浏览器方式解析，最好的容错性，生成html5	速度慢

三、bs4对html文件的处理

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:

（1）Tag
（2）NavigableString
（3）BeautifulSoup
（4）Comment

（1）Tag ： Tag通俗点讲就是HTML中的一个个标签，例如：

from bs4 import BeautifulSoup
soup = BeautifulSoup(resp.text, 'html.parser')

# 获取title标签的所有内容
print(soup.title)

# 获取head标签的所有内容
print(soup.head)

# 获取第一个a标签的所有内容
print(soup.a)

# 类型
print(type(soup.a))

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：

# [document] 
#bs 对象本身比较特殊，它的 name 即为 [document]
print(soup.name)

# head 
#对于其他内部标签，输出的值便为标签本身的名称
print(soup.head.name) 

# 在这里，我们把 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(soup.a.attrs)

#还可以利用get方法，传入属性的名称，二者是等价的
print(soup.a['class']) # soup.a.get('class')

# 可以对这些属性和内容等等进行修改
soup.a['class'] = "newClass"
print(soup.a) 

# 还可以对这个属性进行删除
del soup.a['class'] 
print(soup.a)

（2）NavigableString：获取标签内部的文字用 .string 即可，例如：

print(soup.title.string) # 也可以soup.title.text

print(type(soup.title.string))

（3）BeautifulSoup：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，例如：

print(type(soup.name))

print(soup.name)

print(soup.attrs)

（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

print(soup.a)  # 此时不能出现空格和换行符，a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>

print(soup.a.string) # 新闻

print(type(soup.a.string)) # <class 'bs4.element.Comment'>

四、遍历文档树

（1）.contents：获取Tag的所有子节点，返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents)

# 用列表索引来获取它的某一个元素
print(soup.head.contents[1])

（2）.children：获取Tag的所有子节点，返回一个生成器

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

五、搜索文档树

1. find_all(name, attrs, recursive, text, **kwargs)

（1）name参数：

字符串过滤：会查找与字符串完全匹配的内容

a_list = soup.find_all("a")
print(a_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

t_list = soup.find_all(re.compile("a"))
for item in t_list:
    print(item)

列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

t_list = soup.find_all(["meta","link"])
for item in t_list:
    print(item)

方法： 传入一个方法，根据方法来匹配

def name_is_exists(tag):
    return tag.has_attr("name")

t_list = soup.find_all(name_is_exists)
for item in t_list:
    print(item)

（2）kwargs参数：

# 查询id=head的Tag
t_list = soup.find_all(id="head")
print(t_list)

# 查询href属性包含ss1.bdstatic.com的Tag
t_list = soup.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)

# 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
t_list = soup.find_all(class_=True)
for item in t_list:
    print(item)

（3）attrs参数：

并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

t_list = soup.find_all(attrs={"data-foo":"value"})
for item in t_list:
    print(item)

（4）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 = soup.find_all(attrs={"data-foo": "value"})
for item in t_list:
    print(item)

t_list = soup.find_all(text="hao123")
for item in t_list:
    print(item)

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

t_list = soup.find_all(text=re.compile("\d"))
for item in t_list:
    print(item)

（5）limit参数：
传入一个limit参数来限制返回的数量
例如下列放回数量为2

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

2.find（）
返回符合条件的第一个Tag
即当我们要取一个值的时候就可以用这个方法

t = soup.div.div

# 等价于
t = soup.find("div").find("div")

六、CSS选择器

（1）通过标签名查找

print(soup.select('title'))

print(soup.select('a'))

（2）通过类名查找

print(soup.select('.mnav'))

（3）通过id查找

print(soup.select('#u1'))

（4）组合查找

print(soup.select('div .bri'))

（5）属性查找

print(soup.select('a[class="bri"]'))
print(soup.select('a[href="http://tieba.baidu.com"]'))

（6）获取内容

t_list = soup.select("title")
print(soup.select('title')[0].get_text())