【Python】Python爬虫包 BeautifulSoup 学习—— bs基本对象与函数

最新推荐文章于 2024-07-29 17:12:45 发布

兔子爱读书

最新推荐文章于 2024-07-29 17:12:45 发布

阅读量1.1k

点赞数

分类专栏： Python编程手册

Python编程手册专栏收录该内容

229 篇文章 49 订阅

订阅专栏

四大对象种类

BeautifulSoup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，我们只用根据节点进行查询就可以了，因为解析工作交给了框架本身。所有对象可以归纳为4种:

Tag
BeautifulSoup
NavigableString
Comment

（1）Tag对象

举几个例子

<title>The Dormouse's story</title>

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

上面的title a 等等 HTML 标签加上里面包括的内容就是 Tag。

在前几次的文章中，我们就是通过Tag来获取信息的。
如获得标签<title>

print soup.title
#<title>The Dormouse's story</title>

我们可以利用 bs4加标签名轻松地获取这些标签的内容，比用正则表达式求方便很多。

不过有一点是，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，则需要使用find()和find_all()（findAll()）这两个函数，后面两个函数在目前的代码中来看功能和语法是一样的，如果后期有什么区别，我会再返回来讲的。

for item in soup.findAll('a'):
    print item,'\n'

print soup.find('a')
print soup.find_all('a', limit = 1)[0]
# limit 是取前x项的意思，find()实际等于limit=1的情况，只是find_all()返回的是列表

print soup.find_all(lambda tag: len(tag.attrs) == 2)
# BS4允许我们把特定函数类型当做findAll函数的参数，唯一的限制是这些函数必须把一个标签当做参数且返回结果为bool类型

我们可以验证一下这些对象的类型

print type(soup.a)
# <class 'bs4.element.Tag'>

对于Tag而言，有两个很重要的属性，一个是name，一个是attrs。

name
print soup.name
print soup.head.name.
# [document]
# head

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部tag，输出的值便为标签本身的名称。

attrs
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。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get('class')
# ['title']

我们可以对这些属性和内容等等进行修改，例如

soup.p['class']="newClass"
print soup.p
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

还可以对这个属性进行删除，例如

del soup.p['class']
print soup.p
#<p name="dromouse"><b>The Dormouse's story</b></p>

不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档。

同时我们也可以通过这个attrs去更加详细地过滤标签

print soup.find_all('a', {"class" : "sister"}) 
# 限制了标签为a，且属性中的class = sister
# "sister的位置也可以是一个re.compile("")的对象，

注意，find_all() 返回结果可能为

<class 'bs4.element.ResultSet'> 这里是字典外套了一个列表

查看 textPid = pid[0] ，输出：<class 'bs4.element.Tag'>

查看tag内容：print(textPid.get_text()) ，或者print(textPid.text())

（2）BeautifulSoup对象

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，以及属性来感受一下。

print type(soup.name)
# <type 'unicode'>
print soup.name 
# [document]
print soup.attrs 
# {}

（3）NavigableString对象

我们已经得到了标签，用 .string 即可获得标签内部的文字。

如获得标签<p>中的内容

print soup.p.string
#The Dormouse's story

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串。

来检查一下它的类型

print type(soup.p.string)
# <class 'bs4.element.NavigableString'>

navigablestring可以很简单地转换为unicode，和string是几乎一样的。
实例：unicode_string = unicode(tag.string)

（4）Comment对象
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

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

运行结果如下

<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 Elsie 
<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，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。

# -*- coding: utf-8 -*-
# @Author: HaonanWu
# @Date:   2016-12-24 17:27:43
# @Last Modified by:   HaonanWu
# @Last Modified time: 2016-12-24 19:53:47

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>
"""

def Tree_test(soup):
    print soup.prettify()

def Tag_test(soup):
    print soup.title
    print type(soup.a)
    for item in soup.findAll('a'):
        print item,'\n'
    print soup.find('a')
    print soup.find_all('a', limit = 1)
    print soup.name
    print soup.head.name
    print soup.p.attrs
    print soup.p.get('class')

def string_test(soup):
    print soup.p.string
    print type(soup.p.string)

def bs_test(soup):
    print soup.name 
    print soup.attrs 
    print type(soup.name)

def comment_test(soup):
    print soup.a
    print soup.a.string
    print type(soup.a.string)

if __name__ == '__main__':
    soup = BeautifulSoup(html, 'lxml')

---------------------
作者：SuPhoebe
来源：CSDN
参考：https://blog.csdn.net/u013007900/article/details/53861207

【笔记】

# coding: utf-8
import requests, re
from bs4 import BeautifulSoup


headers = {
    '自己填'
}

url = "https://www.geonames.org/search.html?q=America"
session = requests.Session()
session.headers.update(headers)
html = session.get(url)
print(html)


if html.status_code == 200 and html.text:
    #print(html.text)
    soup = BeautifulSoup(html.text, 'lxml')
    # table = soup.findAll('table',class_='restable')
    # print(table)
    trs = soup.find_all(name='tr')     
    print(type(trs[6]))           # <class 'bs4.element.Tag'>
    line = trs[6].string             
    print(type(line))             # <class 'NoneType'>
    line = trs[6].get_text()      # <class 'str'>
    print(type(line))
    print(line)

结果输出：

<Response [200]>
<class 'bs4.element.Tag'>
<class 'NoneType'>
<class 'str'>
1 China  Althydulydveldid Kina,Alþýðulýðveldið Kína,An tSin,An tSín,Caina,Caina  Sin,Cayina,Chaina,China,Chin...35.0105.0China, independent political entitypopulation 1,330,044,000
N 35° 0' 0''E 105° 0' 0''