爬虫 BeatifulSoup 模块

BeatifulSoup 模块

介绍

 Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库

安装

pip install beautifulsoup4

 解析器下载

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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:

$ apt-get install Python-lxml

$ easy_install lxml

$ pip 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:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

解析器

下表列出了主要的解析器,以及它们的优缺点,

官网推荐使用 lxml 作为解析器,因为效率更高.

在Python2.7.3之前的版本和Python3中3.2.2之前的版本, 必须安装lxml或html5lib,

因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

基本使用

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.



...

"""

# 基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。
# 使用BeautifulSoup解析上述代码,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

# 导入
from bs4 import BeautifulSoup

# 创建对象
soup = BeautifulSoup(html_doc, 'lxml')  # 推荐使用 lxml, 容错性好

res = soup.prettify()  # 处理好缩进，结构化显示
print(res)

遍历文档树

即直接通过标签名字选择，特点是选择速度快，

但如果存在多个相同的标签则只返回第一个

#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
#1、用法
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点
#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
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.



...

"""

#1、用法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# soup=BeautifulSoup(open('a.html'),'lxml')

print(soup.p) #存在多个相同的标签则只返回第一个
print(soup.a) #存在多个相同的标签则只返回第一个

#2、获取标签的名称
print(soup.p.name)

#3、获取标签的属性
print(soup.p.attrs)

#4、获取标签的内容
print(soup.p.string) # p下的文本只有一个时，取到，否则为None
print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容
print(soup.p.text) #取到p下所有的文本内容
for line in soup.stripped_strings: #去掉空白
    print(line)


'''
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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本


    哈哈哈哈
    
        
            
aaaa

        
    
    bbbbb


'''

#5、嵌套选择
print(soup.head.title.string)
print(soup.body.a.string)


#6、子节点、子孙节点
print(soup.p.contents) #p下所有子节点
print(soup.p.children) #得到一个迭代器,包含p下所有子节点

for i,child in enumerate(soup.p.children):
    print(i,child)

print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
    print(i,child)

#7、父节点、祖先节点
print(soup.a.parent) #获取a标签的父节点
print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...


#8、兄弟节点
print('=====>')
print(soup.a.next_sibling) #下一个兄弟
print(soup.a.previous_sibling) #上一个兄弟

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

 搜索文档数

 五种过滤器

from bs4 import BeautifulSoup

html_doc = '''The Dormouse's story


The Dormouse's story


$75


啦啦啦啦啦啦



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.
'''
soup = BeautifulSoup(html_doc, "lxml")

# 1、字符串：特点：是一种完全匹配的
print(soup.find_all(name="a"))  # 找到所有的a标签
print(soup.find_all(name="a aa"))  # 找不到，会打印一个[]
print(soup.find_all(attrs={"class": "sister"}))
print(soup.find_all(text="The Dormouse's story"))  # 按照文本来找
print(soup.find_all(name="b", text="The Dormouse's story"))  # 找标签名是b，并且文本是The Dormouse's story
print(soup.p.find(name="b").text)  # 第一个p标签的b里面的文本
print(soup.find_all(name="p", attrs={"class": "story"}))  # 找到标签名是p,属性名是class,
print(soup.find(name="p", attrs={"class": "story"}).find_all(name="a")[2])  # 找到标签名是p,属性名是class的第二个a标签

# 2、正则
import re

print(soup.find_all(name=re.compile("^b")))  # 找b开头的的标签
print(soup.find_all(attrs={"id": re.compile("link")}))  # 找到id属性是link的
print(soup.find_all(text=re.compile(r"\$")))  # 找带有$价钱的文本

# 3、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.
print(soup.find_all(name=["a", re.compile("^b")]))  # 找a标签或者b标签开头的所有的标签
print(soup.find_all(text=["$", ]))  # 找不到
print(soup.find_all(text=[re.compile(r"\$")]))  # ['$75']
print(soup.find_all(text=["a", re.compile(r"\$")]))

# 4、True：可以匹配任何值
print(soup.find_all(name=True))  # 找到所有标签的标签名
print(soup.find_all(attrs={"id": True}))  # 找到只要有id属性的
print(soup.find_all(name="p", attrs={"id": True}))  # 找到有id属性的p标签


# 5、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
def has_class_not_id(tag):  # 有 class 属性没有 id 的
    return tag.has_attr('class') and not tag.has_attr('id')
    # return tag.has_attr('id') and not tag.has_attr('class')

# def only_a(tag):
　　# return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id")    #只找a标签

print(soup.find_all(has_class_not_id))  # 默认是按照标签来找的
print(soup.find_all(name="a", limit=2))  # 找所有的a标签，只找前两个
print(soup.body.find_all(attrs={"class": "sister"}, recursive=False))  # 找属性为 sister 的
print(soup.html.find_all('a'))
print(soup.html.find_all('a', recursive=False))
# recursive = True   # 从子子孙孙都找到了
# recursive = False  # 如果只想搜索tag的直接子节点（就不往里面找了）,可以使用参数 recursive=False .


# **kwargs
print(soup.find_all(attrs={"class": "sister"}))
print(soup.find_all(class_="sister"))  # 这两个是一样的

print(soup.find_all(attrs={"id": "link3"}))  # 这两个是一样的，只是表示方式不一样
print(soup.find_all(id="link3"))

find_all

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

#2、find_all( name , attrs , recursive , text , **kwargs )
#2.1、name: 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 .
print(soup.find_all(name=re.compile('^t')))

#2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
print(soup.find_all(id=True)) #查找有id属性的标签

# 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
data_soup = BeautifulSoup('
foo!
','lxml')
# data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
# 但是可以通过 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:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [
foo!
]

#2.3、按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一
print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签

#2.4、attrs
print(soup.find_all('p',attrs={'class':'story'}))

#2.5、text: 值可以是：字符，列表，True，正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))

#2.6、limit参数: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))

#2.7、recursive: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('a'))
print(soup.html.find_all('a',recursive=False))

'''
简写 

像调用 find_all() 一样调用tag
find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
soup.find_all("a")
soup("a")
这两行代码也是等价的:
soup.title.find_all(text=True)
soup.title(text=True)
'''

find

find( name , attrs , recursive , text , **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
soup.find("head").find("title")
# The Dormouse's story

CSS选择器

#该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
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;
    

        
    
            
  • Foo
    • 
            
  • Bar
    • 
            
  • Jay
    • 
        

        
    
            
  • Foo
    • 
            
  • Bar
    • 
            
  • Jay
    • 
        

    

    and they lived at the bottom of a well.



...

"""


from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')

#1、CSS选择器
print(soup.p.select('.sister'))
print(soup.select('.sister span'))

print(soup.select('#link1'))
print(soup.select('#link1 span'))

print(soup.select('#list-2 .element.xxx'))

print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了

# 2、获取属性
print(soup.select('#list-2 h1')[0].attrs)

# 3、获取内容
print(soup.select('#list-2 h1')[0].get_text())

其他方法

官网查看

修改文档树

官网查看

总结

1、推荐使用lxml解析库

2、三种选择器: 标签选择器, find 与 find_all，css选择器

　　1、标签选择器筛选功能弱,但是速度快

　　2、建议使用find,find_all查询匹配单个结果或者多个结果

　　3、如果对css选择器非常熟悉建议使用select

3、记住常用的获取属性 attrs 和 文本值 get_text() 的方法

⑤Py-开发_6爬虫

相关

标签