硬核来袭！！！一篇文章教你入门Python爬虫网页解析神器——BeautifulSoup详细讲解

王菜鸟

已于 2023-01-26 21:55:34 修改

阅读量3k

点赞数 3

分类专栏： 06-Python 文章标签： python 爬虫 beautifulsoup

于 2023-01-26 13:15:06 首次发布

本文链接：https://blog.csdn.net/qq_44723773/article/details/128762205

版权

06-Python 专栏收录该内容

16 篇文章 7 订阅

订阅专栏

一、BeautifulSoup介绍

BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库。Beautiful Soup 已成为和 lxml、html5lib 一样出色的Python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
BeautifulSoup官方文档：BeautifulSoup

有关BeautifulSoup使用的学习笔记：乐天笔记

二、安装

pip install bs4	   # 下载BeautifulSoup包
pip install lxml	# 下载lxml包

解析器的使用方法和优缺点比较

#标准库的使用方法
BeautifulSoup(html,'html.parser')
#优势：内置标准库，速度适中，文档容错能力强
#劣势：Python3.2版本前的文档容错能力差

#lxml HTML的使用方法
BeautifulSoup(html,'lxml')
#优势：速度快，文档容错能力强
#劣势：需要安装C语言库

#lxml XML的使用方法
BeautifulSoup(html,'xml')
#优势：速度快，唯一支持XML
#劣势：需要安装C语言库

#html5lib的使用方法
BeautifulSoup(html,'html5lib')
#优势：容错性最强，可生成HTML5
#劣势：运行慢，不依赖外部扩展

爬虫解析器汇总

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(html, “html.parser”)	内置标准库，速度适中，文档容错能力强	Python3.2版本前的文档容错能力差
lxml HTML 解析器	BeautifulSoup(html,‘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, “xml”)	速度快、唯一支持XML的解析器	需要安装C语言库
html5lib	BeautifulSoup(html,‘html5lib’)	容错性最强，可生成HTML5格式文档	运行慢，不依赖外部扩展

三、bs4数据解析的原理

实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中。
通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取。

四、bs4 常用的方法和属性

1、BeautifulSoup构建

1.1 通过字符串构建

from bs4 import BeautifulSoup

html = """
<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<div id="container">
  <span class="title">
    <h3>Python爬虫网页解析神器BeautifulSoup详细讲解</h3>
  </span>
</div>
</body>
</html>
"""

soup = BeautifulSoup(html, 'html.parser')
# 打印soup对象的内容，格式化输出
print(soup.prettify())

格式化打印html对象的内容，这个函数以后会经常用到。

1.2 从文件加载

from bs4 import BeautifulSoup

with open(r"D:\index.html") as fp:
    soup = BeautifulSoup(fp, "lxml")
print(soup.prettify())

2、BeautifulSoup四种对象

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、NavigableString、BeautifulSoup、Comment

2.1 Tag对象

Tag对象又包括string、strings、stripped_strings
若一个节点只包含文本，可通过string直接访问该节点的文本，例如：

from bs4 import BeautifulSoup

html = """
<title>The Kevin's story house</title>
<span>这里是王菜鸟的Python系列文章</span>
<a href="https://token.blog.csdn.net/">王菜鸟的博客</a
"""
soup = BeautifulSoup(html, 'html.parser')
print(soup.title.text)
print(soup.span.text)
print(soup.a['href'])

# 输出结果
The Kevin's story house
这里是王菜鸟的Python系列文章
https://token.blog.csdn.net/

以上这种方式查找的是所有内容中第一个符合要求的标签，而对于Tag，它有两个重要的属性，name和attrs

print(soup.p.attrs)	# 此处获取的是p标签的所有属性，得到的类型是一个字典
print(soup.p['class'])	# 单独获取某个属性
print(soup.p.get('class'))	# 同上，单独获取某个属性

# 输出结果
{'class': ['link']}
['link']
['link']

对于这些属性和内容进行修改：

soup.p['class'] = "newClass"
print(soup)

# 输出结果
<title>The Kevin's story house</title>
<span>这里是王菜鸟的Python系列文章</span>
<p class="newClass">
<a href="https://token.blog.csdn.net/">王菜鸟的博客</a>
</p>

此外，还可以删除某个属性：

del soup.p['class']
print(soup)

# 输出结果
<title>The Kevin's story house</title>
<span>这里是王菜鸟的Python系列文章</span>
<p>
<a href="https://token.blog.csdn.net/">王菜鸟的博客</a>
</p>

tag.attrs是一个字典类型，可以通过tag.get('id')或者tag.get('class')两种方式，如果id或class属性不存在，则返回None。下标访问的方式可能会抛出异常KeyError。

其次可以使用get_text()获取文本节点

# 获取所有文本内容
soup.get_text()
# 可以指定不同节点之间的文本使用|分割。
soup.get_text("|")
# 可以指定去除空格
soup.get_text("|", strip=True)

2.2 NavigableString对象

若想获取标签里的内容，可以使用.string来获取

print(soup.a.string)
print(type(soup.a.string))

# 输出结果
王菜鸟的博客
<class 'bs4.element.NavigableString'>

2.3 BeautifulSoup对象

BeautifulSoup对象表示是一个文档的全部内容，大部分的时候可以把它当作一个Tag标签来使用，是一个特殊的Tag，可以分别来获取它的类型名称：

print(soup.name)
print(type(soup.name))
print(soup.attrs)

# 输出结果
[document]
<class 'str'>
{}

2.4 Comment对象

Comment对象是一个特殊类型的NavigableString对象，输出的内容仍然不包括注释符号。

五、contents、children与descendants

contents、children与descendants都是节点的子节点，不过

contents是列表
children是生成器

注意：contents、children只包含直接子节点，descendants也是一个生成器，不过包含节点的子孙节点。
子节点的举例：

from bs4 import BeautifulSoup

html = """
<html>
    <head>
        <title>The Dormouse's story</title>
    </head>
    <body>
        <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">
                <span>Elsie</span>
            </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')
print(soup.p.contents)
print(type(soup.p.contents))

# 输出结果
['\n            Once upon a time there were three little sisters; and their names were\n            ', <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>, '\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' \n            and\n            ', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, '\n            and they lived at the bottom of a well.\n        ']
<class 'list'>

子孙节点的举例：

from bs4 import BeautifulSoup

html = """
<html>
    <head>
        <title>The Dormouse's story</title>
    </head>
    <body>
        <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">
                <span>Elsie</span>
            </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')
print(soup.p.descendants)
for i, child in enumerate(soup.p.descendants):
    print(i, child)

六、parent、parents

parent：父节点
parents：递归父节点
父节点举例：

from bs4 import BeautifulSoup

html = """
<html>
    <head>
        <title>The Dormouse's story</title>
    </head>
    <body>
        <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">
                <span>Elsie</span>
            </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')
print(soup.span.parent)

递归父节点举例

html = """
<html>
    <head>
        <title>The Dormouse's story</title>
    </head>
    <body>
        <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">
                <span>Elsie</span>
            </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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(list(enumerate(soup.a.parents)))

七、next_sibling、previous_sibling

next_sibling：后一个兄弟节点
previous_sibling：前一个兄弟节点

兄弟节点举例

html = """
<html>
    <head>
        <title>The Dormouse's story</title>
    </head>
    <body>
        <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">
                <span>Elsie</span>
            </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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(list(enumerate(soup.a.next_siblings)))
print(list(enumerate(soup.a.previous_siblings)))

八、 next_element、previous_element

next_element：后一个节点
previous_element：前一个节点
next_element与next_sibling的区别是：

next_sibling从当前tag的结束标签开始解析
next_element从当前tag的开始标签开始解析

九、find()和find_all()

9.1 方法

find_parent：查找父节点
find_parents：递归查找父节点
find_next_siblings：查找后面的兄弟节点
find_next_sibling：查找后面满足条件的第一个兄弟节点
find_all_next：查找后面所有节点
find_next：查找后面第一个满足条件的节点
find_all_previous：查找前面所有满足条件的节点
find_previous：查找前面第一个满足条件的节点

9.2 tag名称

# 查找所有p节点
soup.find_all('p')
# 查找title节点，不递归
soup.find_all("title", recursive=False)
# 查找p节点和span节点
soup.find_all(["p", "span"])
# 查找第一个a节点，和下面一个find等价
soup.find_all("a", limit=1)
soup.find('a')

9.3 属性

# 查找id为id1的节点
soup.find_all(id='id1')
# 查找name属性为tim的节点
soup.find_all(name="tim")
soup.find_all(attrs={"name": "tim"})
#查找class为clazz的p节点
soup.find_all("p", "clazz")
soup.find_all("p", class_="clazz")
soup.find_all("p", class_="body strikeout")

9.4 正则表达式

import re
# 查找与p开头的节点
soup.find_all(class_=re.compile("^p"))

9.5 函数

# 查找有class属性并且没有id属性的节点
soup.find_all(hasClassNoId)
def hasClassNoId(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

9.6 文本

# 查找有class属性并且没有id属性的节点
soup.find_all(hasClassNoId)
def hasClassNoId(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

十、select()和select_one()

select()是选择满足所有条件的元素，select_one()只选择满足条件的第一个元素。
select()的重点在于选择器上，CSS的选择器又分为id选择器和class选择器，标签名不加任何修饰，类名前加点，id名前加#。在此使用类似的方法来筛选元素。

10.1 通过tag选择

通过tag选择非常简单，就是按层级，通过tag的名称使用空格分割就可以了。

# 选择title节点
soup.select("title")
# 选择body节点下的所有a节点
soup.select("body a")
# 选择html节点下的head节点下的title节点
soup.select("html head title")

10.2 id和class选择器

id和类选择器也比较简单，类选择器使用.开头，id选择器使用#开头。

# 选择类名为article的节点
soup.select(".article")
# 选择id为id1的a节点
soup.select("a#id1")
# 选择id为id1的节点
soup.select("#id1")
# 选择id为id1、id2的节点
soup.select("#id1,#id2")

10.3 属性选择器

# 选择有href属性的a节点
soup.select('a[href]')
# 选择href属性为http://mycollege.vip/tim的a节点
soup.select('a[href="http://mycollege.vip/tim"]')
# 选择href以http://mycollege.vip/开头的a节点
soup.select('a[href^="http://mycollege.vip/"]')
# 选择href以png结尾的a节点
soup.select('a[href$="png"]')
# 选择href属性包含china的a节点
soup.select('a[href*="china"]')
# 选择href属性包含china的a节点
soup.select("a[href~=china]")

10.4 其他选择器

# 父节点为div节点的p节点
soup.select("div > p")
# 节点之前有div节点的p节点
soup.select("div + p")
# p节点之后的ul节点(p和ul有共同父节点)
soup.select("p~ul")
# 父节点中的第3个p节点
soup.select("p:nth-of-type(3)")

十一、结合实战

通过一个案例，来学习find()、find_all()、select()、select_one()的用法。

from bs4 import BeautifulSoup

text = '''
<li class="subject-item">
    <div class="pic">
      <a class="nbg" href="https://mycollege.vip/subject/25862578/">
        <img class="" src="https://mycollege.vip/s27264181.jpg" width="90">
      </a>
    </div>
    <div class="info">
      <h2 class=""><a href="https://mycollege.vip/subject/25862578/" title="解忧杂货店">解忧杂货店</a></h2>
      <div class="pub">[日] 东野圭吾 / 李盈春 / 南海出版公司 / 2014-5 / 39.50元</div>
      <div class="star clearfix">
        <span class="allstar45"></span>
        <span class="rating_nums">8.5</span>
        <span class="pl">
            (537322人评价)
        </span>
      </div>
      <p>现代人内心流失的东西，这家杂货店能帮你找回——僻静的街道旁有一家杂货店，只要写下烦恼投进卷帘门的投信口，
      第二天就会在店后的牛奶箱里得到回答。因男友身患绝... </p>
    </div>
</li>
'''

soup = BeautifulSoup(text, 'lxml')

print(soup.select_one("a.nbg").get("href"))
print(soup.find("img").get("src"))
title = soup.select_one("h2 a")
print(title.get("href"))
print(title.get("title"))

print(soup.find("div", class_="pub").string)
print(soup.find("span", class_="rating_nums").string)
print(soup.find("span", class_="pl").string.strip())
print(soup.find("p").string)

十二、CSS选择器

12.1 常用选择器

12.2 位置选择器

在这里插入图片描述

12.3 其他选择器

在这里插入图片描述

十三、使用总结

推荐使用lxml解析库，必要时使用html.parser
标签选择筛选功能弱但是速度快
建议使用find()、find_all() 查询匹配单个结果或者多个结果
如果对CSS选择器熟悉建议使用select()、select_one()
记住常用的获取属性和文本值的方法

王菜鸟

关注

3
点赞
踩
35

收藏

觉得还不错? 一键收藏
打赏
1
评论
硬核来袭！！！一篇文章教你入门Python爬虫网页解析神器——BeautifulSoup详细讲解

BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库。Beautiful Soup 已成为和 lxml、html5lib 一样出色的Python解释器，为用户灵活地提供不同的解析策略或强劲的速度。推荐使用lxml解析库，必要时使用标签选择筛选功能弱但是速度快建议使用find()find_all()查询匹配单个结果或者多个结果如果对CSS选择器熟悉建议使用select()记住常用的获取属性和文本值的方法。
复制链接

扫一扫