参考:https://blog.csdn.net/weixin_34127717/article/details/90583410?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control
一、BeautifulSoup
1.介绍: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。
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。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
安装:Beautiful Soup 和lxml
2.导入库:from bs4 import BeautifulSoup
创建 beautifulsoup 对象:soup = BeautifulSoup(html)
将本地 index.html 文件打开,用它来创建 soup 对象:soup = BeautifulSoup(open(‘index.html’))
打印一下 soup 对象的内容,格式化输出:print(soup.prettify())
from bs4 import BeautifulSoup
html= '''<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>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>'''
soup= BeautifulSoup(html,'lxml')#创建 soup 对象
soup= BeautifulSoup(open('index.html'))#创建 soup 对象
print(soup.prettify())#格式化输出
print(soup.title.string)#输出HTML 中title 节点的文本内容;soup.title可以选出HTML 中的title 节点,再调用string 属性就可以得到里面的文本了
3.四大对象种类
Beautiful Soup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:
- Tag:通俗点讲就是 HTML 中的一个个标签,下面的就是Tag, title a 等等 HTML 标签加上里面包括的内容就是 Tag。
<title>The Dormouse's story</title>
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
print soup.title
#<title>The Dormouse's story</title>
print soup.head
#<head><title>The Dormouse's story</title></head>
print soup.a
#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
print soup.p
#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
注意:查找的是在所有内容中的第一个符合要求的标签。若要获取更多则用:
a.Tag,它有两个重要的属性,是 name (获取名字)和 attrs(获取属性)
print soup.name
print soup.head.name
#[document]
#head
b.想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么(与 attrs(获取属性)用法一样)
print soup.p['class']
#['title']
- NavigableString:获取标签里的内容(.string),类型是一个 NavigableString,翻译过来叫 可以遍历的字符串
print soup.p.string
#The Dormouse's story
- BeautifulSoup:BeautifulSoup 对象表示的是一个文档的全部内容.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
print type(soup.name)
#<type 'unicode'>
print soup.name
# [document]
print soup.attrs
#{} 空字典
- Comment:Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。
print soup.a
print soup.a.string
print type(soup.a.string)
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
Elsie
<class 'bs4.element.Comment'>
首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。
if type(soup.a.string)==bs4.element.Comment:
print soup.a.string
关联选择
-
子节点和子孙节点:选取节点元素之后,如果想要获取它的直接子节点,可以调用contents 属性,得到的结果是直接子节点的列表。
调用children 属性得到相应的结果:返回结果是生成器类型。接下来,
我们用于or 循环输出相应的内容。
如果要得到所有的子孙节点的话,可以调用descendants 属性:
此时返回结果还是生成器。遍历输出一下可以看到,这次的输出结果就包含了span 节点。descendants
会递归查询所有子节点,得到所有的子孙节点。 -
父节点和祖先节点
如果要获取某个节点元素的父节点,可以调用parent 属性:
关联元素节点的选择方法,如果想要获取它们的一些信息,比如文本、属性等,也用
同样的方法
4.方法选择器
- find_all():查询所有符合条件的元素
- find()
者返回的是单个元素,也就是第一个匹配的元素
二、BeautifulSoup+CSS
使用css 选择器时,只需要调用select ()方法,传人相应的css 选择器即可
- 嵌套选择
例如,先选择所有ul 节点,再遍历每个ul 节点,选择其li 节点,样例如下:
推荐使用lxml 解析库,必要时使用html.parser。
节点选择筛选功能弱但是速度’快。
建议使用f i nd ()或者f i nd_all ()查询匹配单个结果或者多个结果。
如果对cs s 选择器熟悉的话,可以使用se l ect ()方法选择。