python爬虫之bs4

1.BeautifulSoup4库

和lxml一样，Beautiful Soup也是一个HTML/XML的解析器主要的功能也是解析和接收HTML/XML数据。

lxml只会局部遍历，而BeautifulSoup是基于HTML DOM（Document Object Model）的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup用来解析HTML比较简单，API非常人性化，支持CSS选择器，Python标准库中的HTML解析器，也支持lxml的XML解析器。

BeautifulSoup3目前已经停止开发，推荐现在的项目使用BeautifulSoup4。

2.安装和文档：

1.安装：pip install bs4

2.中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

3.几大解析解析工具对比

4.简单使用

from bs4 import BeautifulSoup
html="""

"""
bs=BeautifulSoup(html,"lxml")
print(bs.prettify())

5.bs4库提取数据详解

from bs4 import BeautifulSoup
html="""

"""
# 1. 获取所有tr标签
# 2. 获取第2个tr标签
# 3. 获取所有class 等于 even 的tr标签
# 4. 将所有id等于test,class也等于test的a标签提取出来
# 5. 获取所有a标签的href属性
# 6. 获取所有的职位信息（文本）
soup=BeautifulSoup(html,"lxml")
# 1. 获取所有tr标签
trs=soup.find_all('tr')
for tr in trs:
    print(tr)
    print(type(tr))

# 2. 获取第2个tr标签
tr=soup.find_all('tr',limit=2)[1]
print(tr)

# 3. 获取所有class 等于 even 的tr标签
trs=soup.find_all('tr',class_='even')
#另一种：trs=soup.find_all('tr',attrs={'class':'even'})
for tr in trs:
    print(tr)

# 4. 将所有id等于test,class也等于test的a标签提取出来
alist=soup.find_all('a',id='test',class_='test')
#alist=soup.find_all('a',attrs={'id':'test','class':'test'})
for tr in trs:
    print(tr)

# 5. 获取所有a标签的href属性
alist=soup.find_all('a')
for a in alist:
    # 1. 通过下表操作的方式
    href=a['href']
    print(href)
    # 2. 通过attrs属性的方式
    href=a.attrs['href']
    print(href)

# 6. 获取所有的职位信息（文本）
trs=soup.find_all('tr')[1:]
movies=[]
for tr in trs:
    movie={}
    # tds=tr.find_all('td')
    # title=tid[0].string
    # category=tds[1].string
    # nums=tds[2].string
    # city = tds[3].string
    # pubtime = tds[4].string
    # movie['title']=title
    # movie['category']=category
    # movie['nums']=nums
    # movie['city']=city
    # movie['pubtime']=pubtime
    # movies.append(movie)
    #tr.strings可以提取所有非标签性的字符串提取出来
    infos=list(tr.stripped_strings)
    movie['title']=infos[0]
    movie['category'] = infos[1]
    movie['nums'] = infos[2]
    movie['city'] = infos[3]
    movie['pubtime'] = infos[4]
    movies.append(movie)
    for info in infos:
        print(info)

for movie in movies:
    print(movie)

笔记：

find_all的使用：

在提取标签的时候，第一个参数是标签的名字。然后如果在提取标签的时候想要使用标签属性进行过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去。或者使用"attrs"属性，将所有的属性以及对应的值放在一个字典中传给"attrs"属性。

有些时候，在提取标签时，不想提取那么多，那么可以使用"limit"参数，限制提取多少个

 

find_all和find的区别：

find：找到第一个满足标签的条件就返回，就是返回第一个元素

find_all：将所有满足条件的标签都返回（以列表的形式）

 

使用find和find_all的过滤条件：

1. 关键字参数：将属性的名字作为关键字参数的名字，以及属性的值作为关键字参数的值进行过滤。

2. attrs参数：讲属性条件放到一个字典中，传给attrs参数

 

获取标签的属性：

1.通过下标获取：通过标签的下标的方式。

 href=a['href']

2.通过attrs属性获取：

href=a.attrs['href']

 

strings和stripped——strings、string属性以及get_text方法

1.string：获取某个标签下的非标签字符串，返回来的十个字符串。

2.strings：获取某个标签下的子孙非标签字符串，返回来的是个生成器。

3.stripped_string：获取某个标签下的子孙非标签字符串，会去掉空白字符，返回来的是个生成器。

4.get_text：获取某个标签的子孙非标签字符串，不是以列表的形式返回，是以普通字符串返回。

6.select方法

css选择器

使用以上方法可以方便的找出元素。但有时候使用css选择器的方式可以更加的方便。使用css选择器的语法，应该使用select方法。以下列出几种常用的css选择器方法：

（1）通过标签名查找：

print(soup.select('a'))

（2）通过类名查找：

通过类名，则应该在类的前面加一个.。比如要查找class=sister的标签。示例代码如下：

print(soup.select('.sister'))

（3）通过id查找：

通过id查找，应该在id的名字前面加一个＃号。示例代码如下：

print(soup.select("#link1"))

（4）组合查找：

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开：

print(soup.select("p #link1"))

直接子标签查找，则使用 > 分隔：

print(soup.select("head > title"))

（5）通过属性查找：

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。示例代码如下：

print(soup.select('a[href="http://example.com/elsie"]'))

（6）获取内容

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

    soup = BeautifulSoup(html, 'lxml')
    print type(soup.select('title'))
    print soup.select('title')[0].get_text()
     
    for title in soup.select('title'):
        print title.get_text()

7.select和css选择器提取元素

from bs4 import BeautifulSoup
html="""

"""
# 1. 获取所有tr标签
# 2. 获取第2个tr标签
# 3. 获取所有class 等于 even 的tr标签
# 4. 将所有id等于test,class也等于test的a标签提取出来
# 5. 获取所有a标签的href属性
# 6. 获取所有的职位信息（文本）
soup=BeautifulSoup(html,"lxml")
# 1. 获取所有tr标签
soup.select('tr')

# 2. 获取第2个tr标签
soup.select('tr')[1]

# 3. 获取所有class 等于 even 的tr标签
soup.select('tr[class=="even"]')

# 4. 将所有id等于test,class也等于test的a标签提取出来
css选择器无法实现该需求

# 5. 获取所有a标签的href属性
alist=soup.select('a')
for a in alist:
    href=a['href']

# 6. 获取所有的职位信息（文本）
trs=soup.select('tr')
for tr in trs:
    infos=list(tr.stripped_strings)
    print(infos)

8.4个常用的对象

BeautifulSoup 将复杂HTML文档转化为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：BeautifulSoup中所有的标签都是Tag类型，并且BeautifulSoup的对象其实本质上也是一个Tag类型，所以其实一些方法比如find，find_all并不是BeautifulSoup的，而是Tag的。

(2) NavigatableString：继承自python中的str。用起来就和使用python中的str一样

(3) BeautifulSoup：继承自Tag，用来生成BeautifulSoup树的。对于一些查找方法，比如select，find这些其实还是Tag的。

(4) Comment：继承自NavigatableString

 

contents和children：

返回某个标签下的直接子元素，其中也包括字符串。他们两的区别是：contents返回来的是一个列表，children返回的是一个迭代器。