python3爬虫：数据解析之 BeautifulSoup4库

最新推荐文章于 2024-04-22 14:37:52 发布

. . . . .

最新推荐文章于 2024-04-22 14:37:52 发布

阅读量406

点赞数

分类专栏： python爬虫 python分布式网络爬虫

本文链接：https://blog.csdn.net/yexudengzhidao/article/details/86614771

版权

python分布式网络爬虫同时被 2 个专栏收录

14 篇文章 3 订阅

订阅专栏

python爬虫

13 篇文章 0 订阅

订阅专栏

BeautifulSoup4库

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。
lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM（Document Object Model）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。

安装和文档：

安装：pip3 install bs4。
中文文档：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

几大解析工具对比：

解析工具	解析速度	使用难度
BeautifulSoup	最慢	最简单
lxml	快	简单
正则	最快	最难

简单使用：

    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
    # 使用lxml来进行解析,lxml是一个解析器
    # python => C语言
    # BeautifulSoup => lxml
    soup = BeautifulSoup(html,"lxml")  #lxml也是python的一个模块，需要pip3 install lxml
    
    print(soup.prettify())

四个常用的对象：

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
NavigatableString
BeautifulSoup
Comment

1. Tag：

Tag 通俗点讲就是 HTML 中的一个个标签。示例代码如下：

    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,'lxml')
    
    
    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，分别是name和attrs。示例代码如下：

    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：

如果拿到标签后，还想获取标签中的内容。那么可以通过tag.string获取标签中的文字。示例代码如下：

    print(soup.p.string)
    # The Dormouse's story
    
    print(type(soup.p.string))
    # <class 'bs4.element.NavigableString'>thon

3. 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,它支持遍历文档树和搜索文档树中描述的大部分的方法.
因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name

    soup.name
    # '[document]'

4. Comment：

Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,但是还有一些特殊对象.容易让人担心的内容是文档的注释部分:

    markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
    soup = BeautifulSoup(markup)
    comment = soup.b.string
    print(comment)
    comment = soup.b.contents
    #以列表形式输出
    print(comment)

Comment 对象是一个特殊类型的 NavigableString 对象:

    comment
    # 'Hey, buddy. Want to buy a used parser'

遍历文档树：

1. contents和children：

    html_doc = """
    <html><head><title>The Dormouse's story</title></head>
    
    <p class="title"><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>
    """
    
    from bs4 import BeautifulSoup
    soup = BeautifulSoup(html_doc,'lxml')
    
    head_tag = soup.head
    # 返回所有子节点的列表
    print(head_tag.contents)
    
    # 返回所有子节点的迭代器
    for child in head_tag.children:
        print(child)

2. strings 和 stripped_strings

如果tag中包含多个字符串 [2] ,可以使用 .strings 来循环获取：

    for string in soup.strings:
        print(repr(string))
        # u"The Dormouse's story"
        # u'\n\n'
        # u"The Dormouse's story"
        # u'\n\n'
        # u'Once upon a time there were three little sisters; and their names were\n'
        # u'Elsie'
        # u',\n'
        # u'Lacie'
        # u' and\n'
        # u'Tillie'
        # u';\nand they lived at the bottom of a well.'
        # u'\n\n'
        # u'...'
        # u'\n'

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 in soup.stripped_strings:
        print(repr(string))
        # u"The Dormouse's story"
        # u"The Dormouse's story"
        # u'Once upon a time there were three little sisters; and their names were'
        # u'Elsie'
        # u','
        # u'Lacie'
        # u'and'
        # u'Tillie'
        # u';\nand they lived at the bottom of a well.'
        # u'...'

搜索文档树：

find_all()的使用

在提取标签的时候，第一个参数是标签的名字。然后如果在提取标签的时候想要使用标签属性进行过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去。或者是使用attrs属性，将所有的属性以及对应的值放在一一个字典中传给attrs属性。
有些时候，在提取标签的时候，不想提取那么多，那么可以使用limit
参数,限制提取多少个。

find与find_ al1的区别:

find: 找到第一个满足条件的标签就返回。说白了，就是只会返回一个元素。
find_ all:将所有满足条件的标签都返回。说白了，会返回很多标签(以列表的形式)。

1. find和find_all方法：

搜索文档树，一般用得比较多的就是两个方法，一个是find，一个是find_all。find方法是找到第一个满足条件的标签后就立即返回，只返回一个元素。find_all方法是把所有满足条件的标签都选到，然后返回回去。使用这两个方法，最常用的用法是出入name以及attr参数找出符合要求的标签。

    soup.find_all("a",attrs={"id":"link2"})

或者是直接传入属性的的名字作为关键字参数：

    soup.find_all("a", id ='link2')
    soup.find_all("a", limit = 2)
    soup.find_all("a", class_ = "even") #注意这里的class要加上_，不然和python里的class关键字冲突了。

组合筛选：

	soup.find_all("a", id = 'link2', class_ = 'even')

获取a标签的所有href属性：

	aList = soup.find_all("a")
	for a in aList:
		href = a['href']
		#href = a.attrs['href']  和上面的等价
		print(href)

获取标签内的内容：

	soup.find("a").string

获取tr下的所有td里的内容：

	trs = soup.find_all('tr')
	for tr in trs:
		infos = list(tr.strings)
		#infos = list(tr.stripped_strings)

strings和stripped_ strings、 string属性以及get_ text方法:

string: 获取某个标签下的非标签字符串。返回来的是个字符串。
strings: 获取某个标签下的子孙非标签字符串。返回来的是个生成器。
stripped_strings: 获取某个标签下的子孙非标签字符串，会去掉空白字符。返回来的是个生成器。
get_text:获取某个标签下的子孙非标签字符串。不是以列表的形式返回.

2. select方法：

使用以上方法可以方便的找出元素。但有时候使用css选择器的方式可以更加的方便。使用css选择器的语法，应该使用select方法。以下列出几种常用的css选择器方法：

（1）通过标签名查找：

    print(soup.select('a'))

（2）通过类名查找：

通过类名，则应该在类的前面加一个.。比如要查找class=sister的标签。示例代码如下：

	print(soup.select('.sister'))

（3）通过id查找：

通过id查找，应该在id的名字前面加一个＃号。示例代码如下：

	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）通过属性查找：

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。示例代码如下：

	print(soup.select('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。

    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()

. . . . .

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
0
评论
python3爬虫：数据解析之 BeautifulSoup4库

BeautifulSoup4库和 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。lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM（Document Object Model）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。Beaut...
复制链接

扫一扫