爬虫数据解析-----BeautifulSoup

最新推荐文章于 2024-05-15 07:59:17 发布

Loving Python

最新推荐文章于 2024-05-15 07:59:17 发布

阅读量143

点赞数

文章标签：爬虫 beautifulsoup python

本文链接：https://blog.csdn.net/m0_71494659/article/details/131366524

版权

基本概念：

简单来说，BeautifulSoup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。
它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

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。BeautifulSoup会帮节省数小时甚至数天的工作时间。你可能在寻找BeautifulSoup3的文档，BeautifulSoup3目前已经停止开发，官网推荐在现在的项目中使用BeautifulSoup4。

bs4的安装：

由于 Bautiful Soup 是第三方库，因此需要单独下载，下载方式非常简单，执行以下命令即可安装： pip install bs4

由于BS4 解析页面时需要依赖文档解析器，所以还需要安装 lxml 作为解析库所以我们还需要安装lxml，安装方式如下： pip install lxml

Python 也自带了一个文档解析库 html.parser，但是其解析速度要稍慢于 lxml。

除了上述解析器外，还可以使用 html5lib 解析器，安装方式如下： pip install html5lib

注意： bs4是依赖lxml库的，只有先安装lxml库才可以安装bs4库

文档解析器优缺点：

下表列出了主要的解析器,以及它们的优缺点:

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

大家不需要担心C语言库的安装，基本上你的电脑可以运行都可以使用，所以你可以不需要管这个的。

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。提示: 如果一段HTML或XML文档格式不正确的话,那么在不同的解析器中返回的结果可能是不一样的。因此我们可以更具情况去选择对应的文档解析器。具体情况具体分析。

bs4的使用

1、导入解析包：

from bs4 import BeautifulSoup

2、创建beautifulsoup解析对象

soup = BeautifulSoup(html, 'html.parser')

from bs4 import BeautifulSoup

html_doc = 
"""
<html><head><title>My title</title></head>
<body>
<p class="title"><b>My p标签</b></p>

<p class="story">My name is LiHua
<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>

"""
# 创建一个soup对象
soup = BeautifulSoup(html_doc,'lxml')
print(soup,type(soup))
# 格式化文档输出
print(soup.prettify())
# 获取title标签内容 <title>The Dormouse's story</title>
print(soup.title) 
# 获取title标签名称: title
print(soup.title.name) 
# title标签里面的文本内容: The Dormouse's story
print(soup.title.string)
# 获取p段落
print(soup.p)

遍历文档树：

遍历子节点：

contents 返回的是一个所有子节点的列表

children 返回的是一个子节点的迭代器

descendants 返回的是一个生成器遍历子子孙孙

string 获取标签里面的内容

strings 返回是一个生成器对象用过来获取多个标签内容

stripped_strings 和strings 基本一致但是它可以把多余的空格去掉

遍历父节点（了解）

parent 直接获得父节点

parents 获取所有的父节点

遍历兄弟节点（了解）

next_sibling 下一个兄弟结点

previous_sibling 上一个兄弟结点

next_siblings 下一个所有兄弟结点

previous_siblings上一个所有兄弟结点

案例：

from bs4 import BeautifulSoup

html_doc =
"""
<html><head><title>My title</title></head>
<body>
<p class="title"><b>My p标签</b></p>

<p class="story">My name is LiHua
<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>
"""
soup = BeautifulSoup(html_doc, "lxml")
#  获取单个标签中的内容
r1 = soup.title.string  # 获取标签里面的内容
print(r1)

# 获取html中所有的标签内容
r2 = soup.html.strings  # 返回是一个生成器对象用过来获取多个标签内容
print(r2)
for i in r2:
    print(i)

r3 = soup.html.stripped_strings  # 和strings基本一致 但是它可以把多余的空格去掉
print(r3) 
for i in r3:
    print(i)

搜索文档树

find()：方法返回搜索到的第一条数据

find_all()：方法以列表形式返回所有的搜索到的标签数据

实例应用：

html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
        <tr class="h">
            <td class="l" width="374">职位名称</td>
            <td>职位类别</td>
            <td>人数</td>
            <td>地点</td>
            <td>发布时间</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融云区块链高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融云高级后台开发</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐运营开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高级图像算法研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高级AI开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>4</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a id="test" class="test" target='_blank' href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高级业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
    </tbody>
</table>
"""

1. 获取所有的tr标签内容（以列表的形式）：

# 1 获取所有的tr标签
trs = soup.find_all("tr")  
for tr in trs:
    print(tr)
    print("*" * 150)

2. 获取所有class=even标签：

# 这里如果直接用class不行 class是作为我们的关键字,所以我们需要在class后面加一个_
trs = soup.find_all("tr", class_="even")  
# trs = soup.find_all("tr", attrs={"class": "even"})  这两种方式都可
for tr in trs:
    print(tr)
    print("*" * 150)

3. 获取a标签的herf值：

a_li = soup.find_all("a")
for a in a_li:
    href = a.get("href")
    print(href)

修改文档树

修改tag的名称和属性

修改string 属性赋值,就相当于用当前的内容替代了原来的内容

append() 像tag中添加内容,就好像Python的列表的 .append() 方法

decompose() 修改删除段落，对于一些没有必要的文章段落我们可以给他删除掉

Loving Python

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
爬虫数据解析-----BeautifulSoup

官方解释如下：Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。。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。BeautifulSoup会帮节省数小时甚至数天的工作时间。你可能在寻找BeautifulSoup3的文档，BeautifulSoup3目前已经停止开发，
复制链接

扫一扫