声明
本人也是自学python的小佬,因此博客内容仅供参考。
用于提醒自己。长期更新。
如有错误,欢迎指正。
BeautifulSoup是一个结构简单,容易理解的网站解析库,中文含义美味的汤,使用该库的过程即可成为“煲汤”。本文章主要表述BeautifulSoup库的基本用法。
引用BeautifulSoup库
from bs4 import BeautifulSoup
使用pip安装该库即可
创建连接
faker = {'User-Agent':'XXXXXXX'}
r = requests.get(url,headers = faker)
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo,'html.parser')
faker用于储存浏览器头部。在使用浏览器访问网站时,网站会请求浏览器的头部以判断
“来者何人”
而构造爬虫的时候,最基本的方法就是以头部进行伪装。
以下头部转载自:https://blog.csdn.net/mouday/article/details/80182397
user_agent = [
"Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
"Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
"Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
"Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
"Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13",
"Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
"Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0",
"Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
"UCWEB7.0.2.37/28/999",
"NOKIA5700/ UCWEB7.0.2.37/28/999",
"Openwave/ UCWEB7.0.2.37/28/999",
"Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999",
# iPhone 6:
"Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25",
]
headers = {'User-Agent': random.choice(user_agent)}
#随机获取一个请求头
def get_user_agent():
return random.choice(USER_AGENTS)
(原文:https://blog.csdn.net/mouday/article/details/80182397)
回到请求连接。使用resquests方法请求网站内容,然后
r.encoding = r.apparent_encoding
这是因为网页的编码由于某种原因,写在网页头部的编码方式和网页内部的编码并不相同,这条语句可以解决大部分网页的乱码问题
然后取得网页的文本值放在demo种,再开始“煲汤”
soup = BeautifulSoup(demo,‘html.parser’)
上方的’html.parser’是bs4的一种网站解析库,其他解析库及其特点:
名称 | 使用语句 | 优点 | 缺点 |
---|---|---|---|
标准库 | BeautifulSoup(demo, “html.parser”) | Python的内置标准库、执行速度适中 、文档容错能力强,可以应对某些结构混乱的页面 | Python 2.7.3 or 3.2.2)前的版本中文容错能力差 |
lxml HTML解析器 | BeautifulSoup(demo, “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(demo, “xml”) | 速度快、唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(demo, “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 |
到此,一锅汤就煲好了
节点访问
Beautifulsoup库的提取方式是按照网站的树状节点进行的。html即最大的节点,其他所有的节点都是子节点。
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')#传入解析器:lxml
print(soup.p.attrs['name'])#获取p标签中,name这个属性的值
print(soup.title.name)#获取标签的名
print(soup.p.string)#获取标签的文本内容
print(soup.p.contents)#获取指定标签的子节点,返回类型是list
for i,children in enumerate(soup.p.children):#关键词:children。访问子节点。children接受内容。
print(i,children)
for i,child in enumerate(soup.p.descendants):#关键词:descendants。访问子孙节点。child接受内容
print(i,child)
print(soup.a.parent)#获取指定标签的父节点
print(list(enumerate(soup.a.parents)))#获取指定标签的祖先节点
选择器
使用节点去层层访问网站内容很麻烦。这个时候就可以使用选择器
**find_all( name , attrs , recursive , text , kwargs )
可根据标签名、属性、内容查找文档。返回列表类型。
**find(name , attrs , recursive , text , kwargs )
可根据标签名、属性、内容查找文档。返回第一个匹配的节点。
from bs4 import
BeautifulSoup soup = BeautifulSoup(html, 'lxml')
print(soup.find_all('ul'))#查找所有ul标签下的内容 print(type(soup.find_all('ul')[0]))#查看其类型
for ul in soup.find_all('ul'):
print(ul.find_all('li'))#查找所有ul下的所有li
利用属性
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(id='list-1'))#id是个特殊的属性,可以直接使用 print(soup.find_all(class_='element')) #class是关键字所以要用class_
print('div',id = 'content')#查找id为content的div
print('div','box')#查找class为box的div,class与id不同,可以不用写出来。
利用文本值
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(text='Foo'))#查找文本为Foo的内容,但是返回的不是标签
方法
find用法和findAll一模一样,但是返回的是找到的第一个符合条件的内容输出。
find_parents(), find_parent()
find_parents()返回所有祖先节点,find_parent()返回直接父节点。
find_next_siblings() ,find_next_sibling()
1返回后面的所有兄弟节点,2返回后面的第一个兄弟节点
find_previous_siblings(),find_previous_sibling()
1返回前面所有兄弟节点…
find_all_next(),find_next()
1返回节点后所有符合条件的节点,2返回后面第一个符合条件的节点
find_all_previous()和find_previous()
查找所有先辈节点和所有父辈节点
css选择器
通过select()直接传入CSS选择器即可完成选择
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.select('.panel .panel-heading'))#.代表class,中间需要空格来分隔 print(soup.select('ul li')) #选择ul标签下面的li标签
print(soup.select('#list-2 .element')) #'#'代表id。这句的意思是查找id为"list-2"的标签下的,class=element的元素
print(type(soup.select('ul')[0]))#打印节点类型
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):
print(ul.select('li'))
#使用嵌套的方法进行选择
for ul in soup.select('ul'):
print(ul['id'])# 用[ ]即可获取属性
print(ul.attrs['id'])#另一种写法
#获取属性
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for li in soup.select('li'):
print(li.get_text())
#获取内容
用get_text()方法就能获取内容了。
与re库结合
for ul in div:
print(ul)
province = re.findall(r'<a href="(.*?)"',str(ul))
在ul里查找对应内容