BeautifulSoup4CSS选择器总结

最新推荐文章于 2023-02-24 22:33:19 发布

厄祖

最新推荐文章于 2023-02-24 22:33:19 发布

阅读量645

点赞数 1

分类专栏： python 文章标签： python爬虫

本文链接：https://blog.csdn.net/weixin_43706473/article/details/100709351

版权

python 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

BeautifulSoup4CSS选择器

和 lxml 一样，Beautiful Soup 也是python的一个HTML/XML的解析器，用它可以方便的从网页中提取数据

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，
因此时间和内存开销都会大很多，所以性能要低于lxml。 BeautifulSoup 用来解析 HTML 比较简单，
API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。
 Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。
 使用 pip 安装即可： pip install beautifulsoup4 官方文档：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

Beautiful Soup支持的解析器

解析器	使用方法	优势
Python标准库	BeautifulSoup(markup,‘html.parser’)	Python的内置标准库、执行速度适中、文档容错能力强
lxml HTML解析器	BeautifulSoup(markup,‘lxml’)	速度快、文档容错能力强
lxml XML解析器	BeautifulSoup(markup,‘xml’)	速度快、唯一支持XML的解析器
html5lib	BeautifulSoup(markup,‘html5lib’)	最好的容错性、以浏览器的方式解析文档，生成HTML5的格式文档

四大对象种类

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4种:

Tag
NavigableString
BeautifulSoup
Comment

1.Tag：

Tag 通俗点讲就是 HTML 中的一个个标签，例如：

<head><title>The Dormouse's story</title></head> 
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> 
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag，那么试着使用 Beautiful Soup 来获取 Tags:

from bs4 import BeautifulSoup 
html = """ <html><head><title>The Dormouse's story</title></head> 
<body> 
<p class="title" name="dromouse"><b>The Dormouse's story</b></p> 
<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"><!-- Elsie --></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> """ 
#创建 Beautiful Soup 对象 
soup = BeautifulSoup(html) 
print(soup.title)
 # <title>The Dormouse's story</title> print(soup.head) 
# <head><title>The Dormouse's story</title></head> 
print(soup.a) 
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> print(soup.p) 
# <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 
print(type(soup.p)) 
# <class 'bs4.element.Tag'>

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。如果要查询所有的标签，后面会进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

print(soup.name) 
# [document] #soup 对象本身比较特殊，它的 name 即为 [document] 
print (soup.head.name) 
# head #对于其他内部标签，输出的值便为标签本身的名称 
print (soup.p.attrs) 
# {'class': ['title'], 'name': 'dromouse'} 
# 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。 
print (soup.p['class'] # soup.p.get('class')) # ['title'] #还可以利用get方法，传入属性的名称，二者是等价的 
soup.p['class'] = "newClass" 
print soup.p 
# 可以对这些属性和内容等等进行修改 # <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

2.NavigableString

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 
print (soup.p.string) 
# The Dormouse's story 
print (type(soup.p.string)) 
# In [13]: <class 'bs4.element.NavigableString'>

3.BeautifulSoup

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，以及属性来感受一下

print type(soup.name) 
# <type 'unicode'> 
print soup.name 
# [document] print soup.attrs 
# 文档本身的属性为空 # {}

4.Comment

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。

print soup.a 
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> 
print soup.a.string 
# Elsie print type(soup.a.string) # <class 'bs4.element.Comment'>

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。

搜索文档树

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

1）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

A.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(name='b')
     soup.find_all(name='a')

C.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"])

2）attr 参数

     soup.find_all(attrs={'id':'link2'})    
     soup.find_all(attrs={'class':'link2'})

3) keyword 参数

     soup.find_all(id='link2')     
     soup.find_all(class_='link3')

2. CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.写 CSS 时，标签名不加任何修饰，类名前加.，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

表达式	说明
*	选择所有节点
#container	选择id为container的节点
.container	选取所有class包含container的节点
li a	选取所有li下的所有a节点
div#container > ul	选取id为container的div的ul子元素
a[href=“http://jobbole.com”]	选取所有href属性为jobbole.com值的a元素
a[href*=”jobole”]	选取所有href属性包含jobbole的a元素
a[href^=“http”]	选取所有href属性值以http开头的a元素
a[href$=“.jpg”]	选取所有href属性值以.jpg结尾的a元素
div:not(#container)	选取所有id非container的div属性
li:nth-child(3)	选取第三个li元素
tr:nth-child(2n)	第偶数个tr

1）通过标签名查找

    soup.select('title') 
    soup.select('b')

2）通过类名查找

    print soup.select('.sister'))

3）通过 id 名查找

    print soup.select('#link1')

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 #link1')

直接子标签查找，则使用 > 分隔

   print soup.select("head > title")

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[class="sister"]')) 
   soup.select('a[href="http://example.com/elsie"]') 
   同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔
   开，同一节点的不加空格 
   print (soup.select('p a[href="http://example.com/elsie"]'))

6) 获取内容

以上的 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,attrs[‘属性名’] 获取属性值

  soup = BeautifulSoup(html, 'lxml')
    print (type(soup.select('title')))
    print (soup.select('title')[0].get_text())

    for title in soup.select('title'):
        print (title.get_text())
        print (title.attrs['class'])

厄祖

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
BeautifulSoup4CSS选择器总结

BeautifulSoup4CSS选择器和 lxml 一样，Beautiful Soup 也是python的一个HTML/XML的解析器，用它可以方便的从网页中提取数据lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。 BeautifulSoup 用来解析 HTML 比...
复制链接

扫一扫