python beautifulsoup库 anaconda_Python爬虫小白入门-BeautifulSoup库

一、前言

上一篇演示了如何使用requests模块向网站发送http请求，获取到网页的HTML数据。这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据。

update on 2016-12-28：之前忘记给BeautifulSoup的官网了，今天补上，顺便再补点BeautifulSoup的用法。

update on 2017-08-16：很多网友留言说Unsplash网站改版了，很多内容是动态加载的。所以建议动态加载的内容使用PhantomJS而不是Request库进行请求，如果使用PhantomJS请看我的下一篇博客，如果是定位html文档使用的class等名字更改的话，建议大家根据更改后的内容进行定位，学爬虫重要的是爬取数据的逻辑，逻辑掌握了网站怎么变都不重要啦。

二、运行环境

我的运行环境如下：系统版本

Windows10。

Python版本

Python3.5，推荐使用Anaconda 这个科学计算版本，主要是因为它自带一个包管理工具，可以解决有些包安装错误的问题。去

IDE

我使用的是PyCharm，是专门为Python开发的IDE。这是JetBrians的产品，

三、模块安装

BeautifulSoup 有多个版本，我们使用BeautifulSoup4。详细使用看conda install beautifulsoup4

直接使用Python3.5 没有使用Anaconda版本的童鞋使用下面命令安装：

pip install beautifulsoup4

然后我们安装lxml，这是一个解析器，BeautifulSoup可以使用它来解析HTML，然后提取内容。

Anaconda 使用下面命令安装lxml：

conda install lxml

使用Python3.5 的童鞋们直接使用pip安装会报错(所以才推荐使用Anaconda版本)，安装教程

如果不安装lxml，则BeautifulSoup会使用Python内置的解析器对文档进行解析。之所以使用lxml，是因为它速度快。

文档解析器对照表如下：解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

解析器使用方法优势劣势

四、BeautifulSoup 库的使用

首先来看BeautifulSoup的对象种类，在使用的过程中就会了解你获取到的东西接下来应该如何操作。

4.1 BeautifulSoup对象的类型

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种类型: Tag , NavigableString , BeautifulSoup , Comment 。下面我们分别看看这四种类型都是什么东西。

4.1.1 Tag

这个就跟HTML或者XML(还能解析XML？是的，能！)中的标签是一样一样的。我们使用find()方法返回的类型就是这个(插一句：使用find-all()返回的是多个该对象的集合，是可以用for循环遍历的。)。返回标签之后，还可以对提取标签中的信息。

提取标签的名字：

tag.name

提取标签的属性：

tag['attribute']

我们用一个例子来了解这个类型：

from bs4 import BeautifulSoup

html_doc = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names wereElsie,Lacie andTillie;and they lived at the bottom of a well.

...

"""

soup = BeautifulSoup(html_doc, 'lxml') #声明BeautifulSoup对象

find = soup.find('p') #使用find方法查到第一个p标签

print("find's return type is ", type(find)) #输出返回值类型

print("find's content is", find) #输出find获取的值

print("find's Tag Name is ", find.name) #输出标签的名字

print("find's Attribute(class) is ", find['class']) #输出标签的class属性值

4.1.2 NavigableString

NavigableString就是标签中的文本内容(不包含标签)。获取方式如下：

tag.string

还是以上面那个例子，加上下面这行，然后执行：

print('NavigableString is：', find.string)

4.1.3 BeautifulSoup

BeautifulSoup对象表示一个文档的全部内容。支持遍历文档树和搜索文档树。

4.1.4 Comment

这个对象其实就是HTML和XML中的注释。

markup = ""

soup = BeautifulSoup(markup)

comment = soup.b.string

type(comment)

#

有些时候，我们并不想获取HTML中的注释内容，所以用这个类型来判断是否是注释。

if type(SomeString) == bs4.element.Comment:

print('该字符是注释')

else:

print('该字符不是注释')

4.2 BeautifulSoup遍历方法

4.2.1 节点和标签名

可以使用子节点、父节点、 及标签名的方式遍历：

soup.head #查找head标签

soup.p #查找第一个p标签

#对标签的直接子节点进行循环

for child in title_tag.children:

print(child)

soup.parent #父节点

# 所有父节点

for parent in link.parents:

if parent is None:

print(parent)

else:

print(parent.name)

# 兄弟节点

sibling_soup.b.next_sibling #后面的兄弟节点

sibling_soup.c.previous_sibling #前面的兄弟节点

#所有兄弟节点

for sibling in soup.a.next_siblings:

print(repr(sibling))

for sibling in soup.find(id="link3").previous_siblings:

print(repr(sibling))

4.2.2 搜索文档树

最常用的当然是find()和find_all()啦，当然还有其他的。比如find_parent() 和 find_parents()、 find_next_sibling() 和 find_next_siblings() 、find_all_next() 和 find_next()、find_all_previous() 和 find_previous() 等等。

我们就看几个常用的，其余的如果用到就去看官方文档哦。find_all()

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。返回值类型是bs4.element.ResultSet。

完整的语法：

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

这里有几个例子

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]

#

import re

soup.find(string=re.compile("sisters"))

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

name 参数：可以查找所有名字为 name 的tag。

attr 参数：就是tag里的属性。

string 参数：搜索文档中字符串的内容。

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 。find()

与find_all()类似，只不过只返回找到的第一个值。返回值类型是bs4.element.Tag。

完整语法：

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

看例子：

soup.find('title')

#

The Dormouse's story

#

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

#

The Dormouse's story

基本功已经练完，开始实战！

五、继续上一篇实例

继续上一篇的网站Unsplash，我们在首页选中图片，查看html代码。发现所有的图片都在a标签里，并且class都是cV68d，如下图。

通过仔细观察，发现图片的链接在style中的background-image中有个url。这个url就包含了图片的地址，url后面跟了一堆参数，可以看到其中有&w=XXX&h=XXX，这个是宽度和高度参数。我们把高度和宽度的参数去掉，就能获取到大图。下面，我们先获取到所有的含有图片的a标签，然后在循环获取a标签中的style内容。

其实在图片的右下方有一个下载按钮，按钮的标签中有一个下载链接，但是该链接并不能直接请求到图片，需要跳转几次，通过获取表头里的Location才能获取到真正的图片地址。后续我再以这个角度获取图片写一篇博文，咱们现根据能直接获取到的url稍做处理来获取图片。小伙伴儿们也可能会发现其他的方式来获取图片的url，都是可以的，尽情的尝试吧！

import requests #导入requests 模块

from bs4 import BeautifulSoup #导入BeautifulSoup 模块

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'} #给请求指定一个请求头来模拟chrome浏览器

web_url = 'https://unsplash.com'r = requests.get(web_url, headers=headers) #像目标url地址发送get请求，返回一个response对象

all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d') #获取网页中的class为cV68d的所有a标签

for a in all_a:

print(a['style']) #循环获取a标签中的style

这里的find_all('a', class_='cV68d') 是找到所有class为cV68d的a标签，返回的是一个list，所以可以用for循环获取每个a标签。

还有，get请求使用了headers参数，这个是用来模拟浏览器的。如何知道‘User-Agent’是什么呢？

在你的Chrome浏览器中，按F12，然后刷新网页，看下图就可以找到啦。

OK，我们来执行以下上面的代码，结果如下：

接下来的任务是在一行的文本中取到图片的url。仔细看每一行的字符串，两个双引号之间的内容就是图片的url了，所以我们Python的切片功能来截取这中间的内容。

改写for循环中的内容：

for a in all_a:

img_str = a['style'] #a标签中完整的style字符串

print(img_str[img_str.index('"')+1 : img_str.index('"',img_str[img_str.index('"')+1)]) #使用Python的切片功能截取双引号之间的内容

获取到url后还要把宽度和高度的参数去掉。

for a in all_a:

img_str = a['style'] #a标签中完整的style字符串

print('a标签的style内容是：', img_str)

first_pos = img_str.index('"') + 1

second_pos = img_str.index('"',first_pos)

img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容

width_pos = img_url.index('&w=')

height_pos = img_url.index('&q=')

width_height_str = img_url[width_pos : height_pos]

print('高度和宽度数据字符串是：', width_height_str)

img_url_final = img_url.replace(width_height_str, '')

print('截取后的图片的url是：', img_url_final)

有了这些图片的url，就可以通过继续发请求的方式获取图片啦。接下来我们先来封装一下发请求的代码。

先创建一个类：

class BeautifulPicture():

def __init__(self): #类的初始化操作

self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} #给请求指定一个请求头来模拟chrome浏览器

self.web_url = 'https://unsplash.com' #要访问的网页地址

然后封装request请求：

def request(self, url): #返回网页的response

r = requests.get(url) # 像目标url地址发送get请求，返回一个response对象

return r

我们在文件目录下保存图片的话，要先创建文件目录。所以再添加一个创建目录的方法：

要先引入os库哦。

import os

然后是方法定义：

def mkdir(self, path): ##这个函数创建文件夹

path = path.strip()

isExists = os.path.exists(path)

if not isExists:

print('创建名字叫做', path, '的文件夹')

os.makedirs(path)

print('创建成功！')

else:

print(path, '文件夹已经存在了，不再创建')

再然后是保存图片啦。

def save_img(self, url, name): ##保存图片

print('开始保存图片...')

img = self.request(url)

time.sleep(5)

file_name = name + '.jpg'

print('开始保存文件')

f = open(file_name, 'ab')

f.write(img.content)

print(file_name,'文件保存成功！')

f.close()

工具方法都已经准备完毕，开始我们的逻辑部分：

def get_pic(self):

print('开始网页get请求')

r = self.request(self.web_url)

print('开始获取所有a标签')

all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d') #获取网页中的class为cV68d的所有a标签

print('开始创建文件夹')

self.mkdir(self.folder_path) #创建文件夹

print('开始切换文件夹')

os.chdir(self.folder_path) #切换路径至上面创建的文件夹

i = 1 #后面用来给图片命名

for a in all_a:

img_str = a['style'] #a标签中完整的style字符串

print('a标签的style内容是：', img_str)

first_pos = img_str.index('"') + 1

second_pos = img_str.index('"',first_pos)

img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容

width_pos = img_url.index('&w=')

height_pos = img_url.index('&q=')

width_height_str = img_url[width_pos : height_pos]

print('高度和宽度数据字符串是：', width_height_str)

img_url_final = img_url.replace(width_height_str, '')

print('截取后的图片的url是：', img_url_final)

self.save_img(img_url_final, str(i))

最后就是执行啦：

beauty = BeautifulPicture() #创建一个类的实例

beauty.get_pic() #执行类中的方法

最后来一个完整的代码，对中间的一些部分进行了封装和改动，并添加了每部分的注释，一看就明白了。有哪块有疑惑的可以留言~~

import requests #导入requests 模块

from bs4 import BeautifulSoup #导入BeautifulSoup 模块

import os #导入os模块

class BeautifulPicture():

def __init__(self): #类的初始化操作

self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1'} #给请求指定一个请求头来模拟chrome浏览器

self.web_url = 'https://unsplash.com' #要访问的网页地址

self.folder_path = 'D:\BeautifulPicture' #设置图片要存放的文件目录

def get_pic(self):

print('开始网页get请求')

r = self.request(self.web_url)

print('开始获取所有a标签')

all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d') #获取网页中的class为cV68d的所有a标签

print('开始创建文件夹')

self.mkdir(self.folder_path) #创建文件夹

print('开始切换文件夹')

os.chdir(self.folder_path) #切换路径至上面创建的文件夹

for a in all_a: #循环每个标签，获取标签中图片的url并且进行网络请求，最后保存图片

img_str = a['style'] #a标签中完整的style字符串

print('a标签的style内容是：', img_str)

first_pos = img_str.index('"') + 1

second_pos = img_str.index('"',first_pos)

img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容

#获取高度和宽度的字符在字符串中的位置

width_pos = img_url.index('&w=')

height_pos = img_url.index('&q=')

width_height_str = img_url[width_pos : height_pos] #使用切片功能截取高度和宽度参数，后面用来将该参数替换掉

print('高度和宽度数据字符串是：', width_height_str)

img_url_final = img_url.replace(width_height_str, '') #把高度和宽度的字符串替换成空字符

print('截取后的图片的url是：', img_url_final)

#截取url中参数前面、网址后面的字符串为图片名

name_start_pos = img_url.index('photo')

name_end_pos = img_url.index('?')

img_name = img_url[name_start_pos : name_end_pos]

self.save_img(img_url_final, img_name) #调用save_img方法来保存图片

def save_img(self, url, name): ##保存图片

print('开始请求图片地址，过程会有点长...')

img = self.request(url)

file_name = name + '.jpg'

print('开始保存图片')

f = open(file_name, 'ab')

f.write(img.content)

print(file_name,'图片保存成功！')

f.close()

def request(self, url): #返回网页的response

r = requests.get(url, headers=self.headers) # 像目标url地址发送get请求，返回一个response对象。有没有headers参数都可以。

return r

def mkdir(self, path): ##这个函数创建文件夹

path = path.strip()

isExists = os.path.exists(path)

if not isExists:

print('创建名字叫做', path, '的文件夹')

os.makedirs(path)

print('创建成功！')

else:

print(path, '文件夹已经存在了，不再创建')

beauty = BeautifulPicture() #创建类的实例

beauty.get_pic() #执行类中的方法

执行的过程中可能会有点慢，这是因为图片本身比较大！如果仅仅是为了测试爬虫，则可以不把图片的宽度和高度替换掉，图片就没那么大啦，运行过程会快很多。

学习资料分享交流群：1093776732 入群有全套学习视频资料电子书免费赠送！

参考资料：Python爬虫开发实战营 - Day1:快速学习python基础​www.makeru.com.cnPython爬虫开发实战营 - Day2:入门爬虫数据提取​www.makeru.com.cnPython爬虫开发实战营 - Day3:简单直白的万能抓取方式​www.makeru.com.cnPython爬虫开发实战营 - Day4:数据采集之后的文件操作​www.makeru.com.cnPython爬虫开发实战营 - Day5:实战爬取豆瓣TOP250​www.makeru.com.cn