python常用的爬虫库、包含bs4_爬虫基础库（包括BeautifulSoup）

beautifulsoup的简单使用

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

'''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，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。'''

安装

pip3 install beautifulsoup4

解析器

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

pip3 install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

pip install html5lib

解析器对比

快速开始

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

html_doc = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names wereElsie,LacieandTillie;

and they lived at the bottom of a well.

...

"""

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:

from bs4 importBeautifulSoup

soup= BeautifulSoup(html_doc, 'html.parser')print(soup.prettify())

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names wereElsie,LacieandTillie;

and they lived at the bottom of a well.

...

View Code

几个简单的浏览结构化数据的方法:

soup.title#

The Dormouse's story

soup.title.name#u'title'

soup.title.string#u'The Dormouse's story'

soup.title.parent.name#u'head'

soup.p#

The Dormouse's story

soup.p['class']#u'title'

soup.a#Elsie

soup.find_all('a')#[Elsie,#Lacie,#Tillie]

soup.find(id="link3")#Tillie

从文档中找到所有标签的链接:

for link in soup.find_all('a'):print(link.get('href'))#http://example.com/elsie

#http://example.com/lacie

#http://example.com/tillie

从文档中获取所有文字内容:

print(soup.get_text())

如何使用

将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.

from bs4 importBeautifulSoup

soup= BeautifulSoup(open("index.html"))

soup= BeautifulSoup("data")

然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档。

对象的种类

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种

Tag , NavigableString , BeautifulSoup , Comment .

Tag

通俗点讲就是 HTML 中的一个个标签，Tag 对象与XML或HTML原生文档中的tag相同:

soup = BeautifulSoup('Extremely bold')

tag=soup.b

type(tag)#

tag的名字

soup对象再以爱丽丝梦游仙境的html_doc为例，操作文档树最简单的方法就是告诉它你想获取的tag的name.如果想获取

标签,只要用 soup.head :

soup.head#

The Dormouse's story

soup.title#

The Dormouse's story

这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取

标签中的第一个 标签:

soup.body.b#The Dormouse's story

通过点取属性的方式只能获得当前名字的第一个tag:

soup.a#Elsie

如果想要得到所有的标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()

soup.find_all('a')#[Elsie,#Lacie,#Tillie]

我们可以利用 soup加标签名轻松地获取这些标签的内容，注意，它查找的是在所有内容中的第一个符合要求的标签。

name和attributes属性

Tag有很多方法和属性,现在介绍一下tag中最重要的属性: name和attributes

每个tag都有自己的名字,通过 .name 来获取:

tag.name#u'b'

tag['class']#u'boldest'

tag.attrs#{u'class': u'boldest'}

tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样

tag['class'] = 'verybold'tag['id'] = 1tag#

Extremely bold

del tag['class']del tag['id']

tag#

Extremely bold

tag['class']#KeyError: 'class'

print(tag.get('class'))#None

NavigableString(字符串)

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.

字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串，通过 unicode() 方法可以直接将 NavigableString 对象转换成Unicode字符串:

tag.string#u'Extremely bold'

type(tag.string)#

unicode_string=unicode(tag.string)

unicode_string#u'Extremely bold'

type(unicode_string)#

tag中包含的字符串不能编辑,但是可以被替换成其它的字符串,用 replace_with() 方法:

tag.string.replace_with("No longer bold")

tag#

No longer bold

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。

printtype(soup.name)#

printsoup.name#[document]

printsoup.attrs#{} 空字典

Comment

html_doc=''soup= BeautifulSoup(html_doc, 'html.parser')print(soup.a.string) #Elsie

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

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下:

if type(soup.a.string)==bs4.element.Comment:print soup.a.string

上面的代码中，我们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。

beautifulsoup的遍历文档树

还拿”爱丽丝梦游仙境”的文档来做例子:

html_doc = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

from bs4 importBeautifulSoup

soup= BeautifulSoup(html_doc, 'html.parser')

通过这段例子来演示怎样从文档的一段内容找到另一段内容

(1) 子节点

一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操作和遍历子节点的属性.

注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点。

.contents 和 .children

tag的 .contents 属性可以将tag的子节点以列表的方式输出:

head_tag =soup.head

head_tag#

The Dormouse's story

head_tag.contents

[

The Dormouse's story]

title_tag=head_tag.contents[0]

title_tag#

The Dormouse's story

title_tag.contents#[u'The Dormouse's story']

字符串没有 .contents 属性,因为字符串没有子节点:

text =title_tag.contents[0]

text.contents#AttributeError: 'NavigableString' object has no attribute 'contents'

.children它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

通过tag的 .children 生成器,可以对tag的子节点进行循环:

print(title_tag.children) #

print(type(title_tag.children)) #

for child intitle_tag.children:print(child)#The Dormouse's story

.descendants

.contents 和 .children 属性仅包含tag的直接子节点.例如,

标签只有一个直接子节点

head_tag.contents#[

The Dormouse's story]

但是

标签也包含一个子节点:字符串 “The Dormouse’s story”,这种情况下字符串 “The Dormouse’s story”也属于标签的子孙节点.

.descendants 属性可以对所有tag的子孙节点进行递归循环 。

for child inhead_tag.descendants:print(child)#

The Dormouse's story

#The Dormouse's story

上面的例子中,

标签只有一个子节点,但是有2个子孙节点:节点和的子节点, BeautifulSoup 有一个直接子节点(节点),却有很多子孙节点:

len(list(soup.children))#1

len(list(soup.descendants))#25

(2) 节点内容

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如：

print(soup.head.string)#The Dormouse's story

print(soup.title.string)#The Dormouse's story

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

print(soup.html.string)#None

(3) 多个内容

.strings .stripped_strings 属性

.strings

获取多个内容，不过需要遍历获取，比如下面的例子：

for string insoup.strings:

print(repr(string))''' '\n'

"The Dormouse's story"

'\n'

'\n'

"The Dormouse's story"

'\n'

'Once upon a time there were three little sisters; and their names were\n'

'Elsie'

',\n'

'Lacie'

'and\n'

'Tillie'

';\nand they lived at the bottom of a well.'

'\n'

'...'

'\n'

'''

View Code

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string insoup.stripped_strings:

print(repr(string))'''

"The Dormouse's story"

"The Dormouse's story"

'Once upon a time there were three little sisters; and their names were'

'Elsie'

','

'Lacie'

'and'

'Tillie'

';\nand they lived at the bottom of a well.'

'...'

'''

View Code

(4) 父节点

继续分析文档树,每个tag或字符串都有父节点:被包含在某个tag中

.parent

通过 .parent 属性来获取某个元素的父节点.在例子“爱丽丝”的文档中,

标签是标签的父节点:

title_tag =soup.title

title_tag#

The Dormouse's story

title_tag.parent#

The Dormouse's story

文档的顶层节点比如的父节点是 BeautifulSoup 对象:

html_tag =soup.html

type(html_tag.parent)#

.parents

通过元素的 .parents 属性可以递归得到元素的所有父辈节点,下面的例子使用了 .parents 方法遍历了标签到根节点的所有节点.

link =soup.a

link#Elsie

for parent inlink.parents:if parent isNone:print(parent)else:print(parent.name)#p#body#html#[document]#None

(5) 兄弟节点

sibling_soup = BeautifulSoup("text1text2")

.next_sibling 和 .previous_sibling

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

在文档树中,使用 .next_sibling 和 .previous_sibling 属性来查询兄弟节点:

sibling_soup.b.next_sibling#text2

sibling_soup.c.previous_sibling#text1

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白. 看看“爱丽丝”文档:

Elsie

Lacie

Tillie

如果以为第一个标签的 .next_sibling 结果是第二个标签,那就错了,真实结果是第一个标签和第二个标签之间的顿号和换行符:

link =soup.a

link#Elsie

link.next_sibling#u',\n'

第二个标签是顿号的 .next_sibling 属性:

link.next_sibling.next_sibling#Lacie

全部兄弟节点

.next_siblings  .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling insoup.a.next_siblings:print(repr(sibling))'''',\n'

Lacie

' and\n'

Tillie

';\nand they lived at the bottom of a well.'

'''

前后节点

.next_element  .previous_element 属性

与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为

The Dormouse's story

那么它的下一个节点便是 title，它是不分层次关系的

print(soup.head.next_element)#

The Dormouse's story

所有前后节点

.next_elements  .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for i insoup.a.next_elements:print(repr(i))''''Elsie'

',\n'

Lacie

'Lacie'

' and\n'

Tillie

'Tillie'

';\nand they lived at the bottom of a well.'

'\n'

...

'...'

'\n''''

以上是遍历文档树的基本用法。

beautifulsoup的搜索文档树

find_all

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

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件:

soup.find_all("title")#[

The Dormouse's story]

soup.find_all("p", "title")#[

The Dormouse's story

]

soup.find_all("a")#[Elsie,#Lacie,#Tillie]

soup.find_all(id="link2")#[Lacie]

importre

soup.find(string=re.compile("sisters"))#u'Once upon a time there were three little sisters; and their names were\n'

有几个方法很相似,还有几个方法是新的,参数中的 string 和 id 是什么含义? 为什么 find_all("p", "title") 返回的是CSS Class为”title”的

标签? 我们来仔细看一下 find_all() 的参数.

name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉.

简单的用法如下:

soup.find_all("title")#[

The Dormouse's story]

搜索 name 参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .

<1> 传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签

soup.find_all('b')#[The Dormouse's story]

<2> 传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示

和 标签都应该被找到

importrefor tag in soup.find_all(re.compile("^b")):print(tag.name)#body#b

<3> 传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签

soup.find_all(["a", "b"])#[The Dormouse's story,#Elsie,#Lacie,#Tillie]

<4> 传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

for tag insoup.find_all(True):print(tag.name)'''html

head

title

body

p

b

p

a

a

a

p'''

<5> 传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

defhas_class_but_no_id(tag):return tag.has_attr('class') and not tag.has_attr('id')

将这个方法作为参数传入 find_all() 方法,将得到所有

标签:

print(soup.find_all(has_class_but_no_id))'''[

The Dormouse's story

,

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

]'''

keyword 参数

如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性.

soup.find_all(id='link2')#[Lacie]

importreprint(soup.find_all(href=re.compile("elsie")))#[Elsie]

搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True .

下面的例子在文档树中查找所有包含 id 属性的tag,无论 id 的值是什么:

soup.find_all(id=True)#[Elsie,#Lacie,#Tillie]

使用多个指定名字的参数可以同时过滤tag的多个属性:

soup.find_all(href=re.compile("elsie"), id='link1')#[three]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

print(soup.find_all("a", class_="sister"))'''[Elsie,

Lacie,

Tillie

]'''

通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:

data_soup.find_all(attrs={"data-foo": "value"})#[

foo!

]

text 参数

通过 text 参数可以搜搜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, True

importreprint(soup.find_all(text="Elsie"))#['Elsie']

print(soup.find_all(text=["Tillie", "Elsie", "Lacie"]))#['Elsie', 'Lacie', 'Tillie']

print(soup.find_all(text=re.compile("Dormouse")))#["The Dormouse's story", "The Dormouse's story"]

limit 参数

find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

print(soup.find_all("a",limit=2))'''[Elsie,

Lacie]'''

recursive 参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

print(soup.html.find_all("title")) #[

The Dormouse's story]

print(soup.html.find_all("title",recursive=False)) #[]

find()

find( name , attrs , recursive , string , **kwargs )

find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个

标签,那么使用 find_all() 方法来查找标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:

soup.find_all('title', limit=1)#[

The Dormouse's story]

soup.find('title')#

The Dormouse's story

唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.

find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .

print(soup.find("nosuchtag"))#None

soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:

soup.head.title#

The Dormouse's story

soup.find("head").find("title")#

The Dormouse's story

find_parents() 和 find_parent()

a_string = soup.find(string="Lacie")print(a_string) #Lacie

print(a_string.find_parent())#Lacie

print(a_string.find_parents())print(a_string.find_parent("p"))'''

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

find_next_siblings() 和 find_next_sibling()

find_next_siblings( name , attrs , recursive , string , **kwargs )

find_next_sibling( name , attrs , recursive ,string , **kwargs )

这2个方法通过 .next_siblings 属性对当tag的所有后面解析的兄弟tag节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点, find_next_sibling() 只返回符合条件的后面的第一个tag节点.

first_link =soup.aprint(first_link.find_next_sibling("a"))#Lacie

print(first_link.find_next_siblings("a"))'''[Lacie,

Tillie

]'''

find_previous_siblings() 和 find_previous_sibling()的使用类似于find_next_sibling和find_next_siblings。

find_all_next() 和 find_next()

find_all_next( name , attrs , recursive , string , **kwargs )

find_next( name , attrs , recursive ,string , **kwargs )

这2个方法通过 .next_elements 属性对当前tag的之后的tag和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点:

first_link =soup.aprint(first_link.find_all_next(string=True))#['Elsie', ',\n', 'Lacie', ' and\n', 'Tillie', ';\nand they lived at the bottom of a well.', '\n', '...', '\n']

print(first_link.find_next(string=True)) #Elsie

find_all_previous() 和 find_previous()的使用类似于find_all_next() 和 find_next()。

beautifulsoup的css选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

(1)通过标签名查找

print(soup.select("title")) #[

The Dormouse's story]

print(soup.select("b")) #[The Dormouse's story]

(2)通过类名查找

print(soup.select(".sister"))'''[Elsie,

Lacie,

Tillie]'''

(3)通过 id 名查找

print(soup.select("#link1"))#[Elsie]

(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 #link2"))#[Lacie]

直接子标签查找

print(soup.select("p > #link2"))#[Lacie]

(5)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。

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

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：

for title in soup.select('a'):print(title.get_text())'''Elsie

Lacie

Tillie'''

豆瓣网改写

from bs4 importBeautifulSoup

soup= BeautifulSoup(s, 'html.parser')

s=soup.find_all(class_="item")for item ins:print(item.find(class_="pic").a.get("href"))print(item.find(class_="pic").em.string)print(item.find(class_="info").contents[1].a.span.string)print(item.find(class_="info").contents[3].contents[3].contents[3].string)print(item.find(class_="info").contents[3].contents[3].contents[7].string)

总结

本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！