【Python爬虫】BeautifulSoup和实战

最新推荐文章于 2023-03-25 12:14:35 发布

影中人lx

最新推荐文章于 2023-03-25 12:14:35 发布

阅读量646

点赞数 1

分类专栏： python 文章标签： python 爬虫 beautifulsoup

本文链接：https://blog.csdn.net/qq_53893431/article/details/126820864

版权

python 专栏收录该内容

19 篇文章 8 订阅

订阅专栏

1.BeatuifulSoup介绍

BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解
析和提取 HTML/XML 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。

2.BeautifulSoup的简单使用

假如我们有以下的HTML文本

<!DOCTYPE html>
<html>
<head>
	<meta content="text/html;charset=utf-8" http-equiv="content-type" />
	<meta content="IE=Edge" http-equiv="X-UA-Compatible" />
	<meta content="always" name="referrer" />
	<link
href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.
css" rel="stylesheet" type="text/css" />
	<title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
	<div id="wrapper">
		<div id="head">
			<div class="head_wrapper">
				<div id="u1">
					<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
					<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
					<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
                      <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
					<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
					<a class="bri" href="//www.baidu.com/more/" name="tj_briicon"style="display: block;">更多产品 </a>
					</div>
				</div>
			</div>
		</div>
</body>
</html>

2.1创建BeautifulSoup对象

import requests
from bs4 import BeautifulSoup

file=open('eg.html','rb')
html=file.read()
bs=BeautifulSoup(html,"html.parser")   #HTML文本的解析方式
print(bs)

在这里插入图片描述

2.2获取文本信息

print(bs.prettify())   #将标签内容标准化

#获取上面文本<title> </title>标签中的文本信息
print(bs.title)
<title>百度一下，你就知道 </title>


#获取标签中的文本信息
print(bs.title.text)
print(bs.title.string)
百度一下，你就知道
百度一下，你就知道

print(bs.a)   #获取第一个<a> </a>标签的内容
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>

#获取所有<div> </div>标签的内容
print(bs.div)

输出：
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
</div>
</div>
</div>
</div>

2.2.1find类方法

tag_a=bs.find('a')
print(tag_a)

返回第一个<a> </a>标签的内容
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>

######  通过属性找到指定的标签内容
tag_a=bs.find('a',class_="bri")
print(tag_a)

输出：
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>




tag_all_a=bs.find_all('a')
print(tag_all_a)
以列表的形式返回所有<a></a>标签的内容
[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>, 
 <a class="mnav"href="https://www.hao123.com" name="tj_trhao123">hao123 </a>, 
 <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>, 
 <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>, 
 <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>, 
 <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]

获取上面所有标签的文本内容

l1=[]
for i in tag_all_a:
    texta=i.text
    l1.append(texta)

print(l1)

#输出：
['新闻', 'hao123 ', '地图 ', '视频 ', '贴吧', '更多产品 ']

3.BeautifulSoup4四大对象种类

BeautifulSoup4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

3.1 Tag类

Tag通俗点讲就是HTML中的一个个标签，例如：

from bs4 import BeautifulSoup
file = open('eg.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
# 获取title标签的所有内容
print(bs.title)
# 获取head标签的所有内容
print(bs.head)
# 获取第一个a标签的所有内容
print(bs.a)
# 类型
print(type(bs.a))

我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注
意，它查找的是在所有内容中的第一个符合要求的标签。

对于 Tag，它有两个重要的属性，是 name 和 attrs：

file=open('D:\\python学习\\爬虫\\eg.html','rb')
html=file.read()
bs=BeautifulSoup(html,"html.parser")
bs.prettify()
print(bs.name)
print(bs.a.name)
print(bs.a.attrs)

#bs 对象本身比较特殊，它的 name 即为 [document]
#对于其他内部标签，输出的值便为标签本身的名称 比如a标签的name就是a
#在这里，我们用attrs方法，把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。

输出：
[document]
a
{'class': ['mnav'], 'href': 'http://news.baidu.com', 'name': 'tj_trnews'}


#还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a['class']) # 等价 bs.a.get('class')
['mnav']

# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a['class'])
newClass

# 还可以对这个属性进行删除
del bs.a['class']
print(bs.a)

#标签中的class属性被删除
<a href="http://news.baidu.com" name="tj_trnews">新闻</a>

3.2NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用.string 即可，例如

bs = BeautifulSoup(html,"html.parser")
print(bs.title.string)
print(type(bs.title.string))

百度一下，你就知道 
<class 'bs4.element.NavigableString'>

3.3BeautifulSoup

BeautifulSoup对象表示的是一个文档的内容。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，例如：

bs = BeautifulSoup(html,"html.parser")
print(type(bs.name))
print(bs.name)
print(bs.attrs)

<class 'str'>
[document]
{}

3.4Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号

bs = BeautifulSoup(html,"html.parser")
print(bs.a)
print(bs.a.string) 
print(type(bs.a.string)) 

<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新</a>
新闻
<class 'bs4.element.NavigableString'>

4.BeautifulSoup的搜索

4.1遍历文档树

.content:获取Tag的所有子节点，返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出
tag_head=bs.head.contents
# 用列表索引来获取它的某一个元素
print(tag_head[1])

输出：
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>

.children:获取Tag的所有子节点，返回一个生成器

for child in bs.body.children:
	print(child)

 输出：
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>       
</div>
</div>
</div>
</div>

4.2其他方法

.descendants：获取Tag的所有子孙节点
.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
.parent：获取Tag的父节点
.parents：递归得到父辈元素的所有节点，返回一个生成器
.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
.previous_elements：返回一个生成器，可以向前访问文档的解析内容
.next_elements：返回一个生成器，可以向后访问文档的解析内容
.has_attr：判断Tag是否包含属性

5.搜索文档树

5.1find_all

find_all(name, attrs, recursive, text, **kwargs)

在上面的例子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等

5.1.1name参数

字符串过滤：会查找与字符串完全匹配的内容

a_list = bs.find_all("a")
print(a_list)
[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>, 
 <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>, 
 <a class="mnav" href="http://map.baidu.com" name="tj_trmap"> 地图 </a>, 
 <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>, 
 <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>, 
 <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]

列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

t_list = bs.find_all(["meta","link"])
for item in t_list:
	print(item)
    
 输出：
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet"type="text/css"/>

5.1.2kwargs参数

from bs4 import BeautifulSoup
import re
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
# 查询id=head的Tag
t_list = bs.find_all(id="head")
print(t_list)
'''
输出：
[<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>       
</div>
</div>
</div>]
'''

# 查询href属性包含ss1.bdstatic.com的Tag
# re.compile是re库中的字符串匹配函数
t_list = bs.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)
#[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>]



# 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
t_list = bs.find_all(class_=True)
for item in t_list:
	print(item)

在这里插入图片描述

5.1.3 attrs参数

我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
	print(item)

5.1.4text参数

通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受字符串，正则表达式，列表

t_list = bs.find_all(text="hao123")
for item in t_list:
	print(item)

输出：    hao123     
    
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
	print(item)
    
输出：    hao123  地图  贴吧
  
    
#正则表达式匹配
t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
	print(item)

输出：hao123

5.1.5 limit参数

可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据

t_list = bs.find_all("a",limit=2)
for item in t_list:
	print(item)
 
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>

5.2 CSS选择器

5.2.1通过标签名查找

print(bs.select('title'
print(bs.select('a'))


'''
[<title>百度一下，你就知道 </title>]
[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>, <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>, <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>, <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>, <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>, <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]
'''

5.2.2通过类名查找

print(bs.select('.mnav'))
'''
[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>, <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>, <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>, <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>, <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>]
'''

5.2.3通过id查找

print(bs.select('#u1'))
'''
[<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
</div>]
'''

5.2.4属性查找

print(bs.select('a[class="bri"]'))
print(bs.select('a[href="http://tieba.baidu.com"]'))

'''
[<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]
[<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>]
'''

6.爬虫实战

6.1爬取《西游记》

网站：https://www.shicimingju.com/book/sanguoyanyi.html
在这里插入图片描述

我们可以查看前5回的网址，寻找网址的规律

第一回：https://www.shicimingju.com/book/sanguoyanyi/1.html
第二回：https://www.shicimingju.com/book/sanguoyanyi/2.html
第三回：https://www.shicimingju.com/book/sanguoyanyi/3.html
第四回：https://www.shicimingju.com/book/sanguoyanyi/4.html
第五回：https://www.shicimingju.com/book/sanguoyanyi/5.html

可以看到，只有i.html不同，其余的网址内容都相同。因此我们可以使用循环获取网址。

url1='https://www.shicimingju.com/book/sanguoyanyi/'
for i in range(0,121):
    url=url1+str(i)+".html"

Network分析

在这里插入图片描述

user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36

网页分析

在这里插入图片描述


url1='https://www.shicimingju.com/book/sanguoyanyi/'
user_agent={
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}

for i in range(1,121):
    url=url1+str(i)+".html"
    r=requests.get(url=url,headers=user_agent)
    r.encoding='utf-8'     #将response的编码方式修改为utf-8
    text_r=r.text
    bs=BeautifulSoup(text_r,'html.parser')
    title=bs.find('div',class_="card bookmark-list").h1.text
    text=bs.find('div',class_="chapter_content").text
    name="D:\\python学习\\爬虫\\三国演义\\第{}回.txt".format(i)
    with open(name,'a',encoding='UTF-8') as f:
        f.writelines(title)
        f.writelines(text)

在这里插入图片描述

6.2爬取图片

爬取豆瓣top250电影的海报

网址分析：

第一页：https://movie.douban.com/top250?start=0&filter=
第二页：https://movie.douban.com/top250?start=25&filter=
最后一页：https://movie.douban.com/top250?start=225&filter=
    
url_base='https://movie.douban.com/top250?start='
for i in range(0,10):
    url=url_base+str(i)+'&filter='

网页分析

在这里插入图片描述

所有图片都特有的属性是class=“pic”，我们以第一页的网址为例：

user_agent={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
url_base='https://movie.douban.com/top250?start='
url=url_base+str(0)+'&filter='
r=requests.get(url=url,headers=user_agent)
text=r.text
soup=BeautifulSoup(text,'html.parser')
pic=soup.select('div[class="pic"]')
print(pic)

在这里插入图片描述

可以看到，列表元素中的每一张图片的网址都在一个a标签和img标签下面

j=1
for i in pic:
    img_i=i.a.img.get('src')  #通过图片网址属性，获取图片的网址
    content=requests.get(img_i).content  #通过图片的网址获取图片的二进制数据
    path='第{}张图片.jpg'.format(j)
    j=j+1
    with open(path,'wb') as f:
        f.write(content)

在这里插入图片描述

成功爬取到了图片

接下来爬取top250电影的海报

user_agent={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
url_base='https://movie.douban.com/top250?start='
j=1
for i in range(0,10):
    url=url_base+str(i*25)+'&filter='
    r=requests.get(url=url,headers=user_agent)
    text=r.text
    soup=BeautifulSoup(text,'html.parser')
    pic=soup.select('div[class="pic"]')
    #加载图片
    for i in pic:
        img_i=i.a.img.get('src')  #获取图片的网址
        content=requests.get(img_i).content  #通过图片的网址获取图片的二进制数据
        path='D:\\python学习\\爬虫\\图片\\第{}张图片.jpg'.format(j)
        j=j+1
        with open(path,'wb') as f:
            f.write(content)