devbox
Monodyee
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

beautifulsoup教程

作者：Monodyee | 2024-02-25 10:24:01

赞

踩

beautifulsoup教程

beautifulsoup教程

BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据，Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。

一、BeautifulSoup4简介
BeautifulSoup4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。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

二、BeautifulSoup4主要解析器，以及优缺点：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8f6XgNXi-1598587320926)(beautifulsoup%E6%95%99%E7%A8%8B/4CD4F032-4D45-4F82-8C15-0C791A2C34CA.png)]

三、BeautifulSoup4简单使用
假设有这样一个Html，具体内容如下：

	1.	<!DOCTYPE html>
	2.	<html>
	3.	
	4.	<head>
	5.	    <meta content="text/html;charset=utf-8" http-equiv="content-type" />
	6.	    <meta content="IE=Edge" http-equiv="X-UA-Compatible" />
	7.	    <meta content="always" name="referrer" />
	8.	    <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />
	9.	    <title>百度一下，你就知道 </title>
	10.	</head>
	11.	
	12.	<body link="#0000cc">
	13.	  <div id="wrapper">
	14.	    <div id="head">
	15.	        <div class="head_wrapper">
	16.	          <div id="u1">
	17.	            <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
	18.	            <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
	19.	            <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
	20.	            <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
	21.	            <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
	22.	            <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
	23.	          </div>
	24.	        </div>
	25.	    </div>
	26.	  </div>
	27.	</body>
	28.	
	29.	</html>

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

创建beautifulsoup4对象：

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	bs = BeautifulSoup(html,"html.parser") # 缩进格式
	5.	
	6.	print(bs.prettify()) # 获取title标签的所有内容
	7.	print(bs.title) # 获取title标签的名称
	8.	print(bs.title.name) # 获取title标签的文本内容
	9.	print(bs.title.string) # 获取head标签的所有内容
	10.	print(bs.head) # 获取第一个div标签中的所有内容
	11.	print(bs.div) # 获取第一个div标签的id的值
	12.	print(bs.div["id"]) # 获取第一个a标签中的所有内容
	13.	print(bs.a) # 获取所有的a标签中的所有内容
	14.	print(bs.find_all("a")) # 获取id="u1"
	15.	print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值
	16.	
	17.	for item in bs.find_all("a"): 
	18.	    print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值
	19.	
	20.	for item in bs.find_all("a"): 
	21.	    print(item.get_text())

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

四、BeautifulSoup4四大对象种类
BeautifulSoup4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
    4.1 、Tag
    Tag通俗点讲就是HTML中的一个个标签，例如：
	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	bs = BeautifulSoup(html,"html.parser") 
	5.	
	6.	# 获取title标签的所有内容
	7.	print(bs.title) 
	8.	
	9.	# 获取head标签的所有内容
	10.	print(bs.head) 
	11.	
	12.	# 获取第一个a标签的所有内容
	13.	print(bs.a) 
	14.	
	15.	# 类型
	16.	print(type(bs.a))

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

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。
对于 Tag，它有两个重要的属性，是 name 和 attrs：

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	bs = BeautifulSoup(html,"html.parser") 
	5.	
	6.	# [document] #bs 对象本身比较特殊，它的 name 即为 [document]
	7.	print(bs.name) 
	8.	
	9.	# head #对于其他内部标签，输出的值便为标签本身的名称
	10.	print(bs.head.name) 
	11.	
	12.	# 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
	13.	print(bs.a.attrs) 
	14.	
	15.	#还可以利用get方法，传入属性的名称，二者是等价的
	16.	print(bs.a['class']) # 等价 bs.a.get('class')
	17.	
	18.	# 可以对这些属性和内容等等进行修改
	19.	bs.a['class'] = "newClass"
	20.	print(bs.a) 
	21.	
	22.	# 还可以对这个属性进行删除
	23.	del bs.a['class'] 
	24.	print(bs.a)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

4.2、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：

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	
	5.	bs = BeautifulSoup(html,"html.parser")
	6.	 
	7.	print(bs.title.string) 
	8.	print(type(bs.title.string))

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

4.3、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，例如：

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read()
	4.	 
	5.	bs = BeautifulSoup(html,"html.parser") 
	6.	
	7.	print(type(bs.name)) 
	8.	print(bs.name) 
	9.	print(bs.attrs)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

4.4、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。

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	
	5.	bs = BeautifulSoup(html,"html.parser") 
	6.	print(bs.a)
	7.	# 此时不能出现空格和换行符，a标签如下：
	8.	# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
	9.	
	10.	print(bs.a.string) # 新闻
	11.	
	12.	print(type(bs.a.string)) # <class 'bs4.element.Comment'>

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

五、遍历文档树
5.1、.contents：
获取Tag的所有子节点，返回一个list

	1.	# tag的.content 属性可以将tag的子节点以列表的方式输出
	2.	print(bs.head.contents)
	3.	
	4.	# 用列表索引来获取它的某一个元素
	5.	print(bs.head.contents[1])

  • 1
  • 2
  • 3
  • 4
  • 5

5.2、.children：
获取Tag的所有子节点，返回一个生成器

	1.	for child in  bs.body.children:
	2.	    print(child)

  • 1
  • 2

5.3、.descendants：获取Tag的所有子孙节点
5.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
5.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
5.6、.parent：获取Tag的父节点
5.7、.parents：递归得到父辈元素的所有节点，返回一个生成器
5.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
5.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
5.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
5.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
5.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
5.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
5.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容
5.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容
5.16、.has_attr：判断Tag是否包含属性

六、搜索文档树
6.1、find_all(name, attrs, recursive, text, **kwargs)
在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容

	1.	a_list = bs.find_all("a")
	2.	print(a_list)

  • 1
  • 2

正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

	1.	from bs4 import BeautifulSoup 
	2.	import re 
	3.	file = open('./aa.html', 'rb') 
	4.	html = file.read() 
	5.	
	6.	bs = BeautifulSoup(html,"html.parser") 
	7.	
	8.	t_list = bs.find_all(re.compile("a")) 
	9.	for item in t_list: 
	10.	   print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

	1.	t_list = bs.find_all(["meta","link"])
	2.	for item in t_list:
	3.	    print(item)

  • 1
  • 2
  • 3

方法：传入一个方法，根据方法来匹配

	1.	from bs4 import BeautifulSoup 
	2.	file = open('./aa.html', 'rb') 
	3.	html = file.read() 
	4.	
	5.	bs = BeautifulSoup(html,"html.parser") 
	6.	
	7.	def name_is_exists(tag): 
	8.	    return tag.has_attr("name") 
	9.	
	10.	t_list = bs.find_all(name_is_exists) 
	11.	for item in t_list: 
	12.	    print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

（2）kwargs参数：

	1.	from bs4 import BeautifulSoup 
	2.	import re 
	3.	file = open('./aa.html', 'rb') 
	4.	html = file.read() 
	5.	
	6.	bs = BeautifulSoup(html,"html.parser") 
	7.	
	8.	# 查询id=head的Tag
	9.	t_list = bs.find_all(id="head") print(t_list) 
	10.	
	11.	# 查询href属性包含ss1.bdstatic.com的Tag
	12.	t_list = bs.find_all(href=re.compile("http://news.baidu.com")) 
	13.	print(t_list) 
	14.	
	15.	# 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
	16.	t_list = bs.find_all(class_=True) 
	17.	for item in t_list: 
	18.	    print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性:

t_list = bs.find_all(data-foo="value")

  • 1

如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

	1.	t_list = bs.find_all(attrs={"data-foo":"value"})
	2.	for item in t_list:
	3.	    print(item)

  • 1
  • 2
  • 3

（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受 字符串，正则表达式，列表

	1.	from bs4 import BeautifulSoup 
	2.	import re 
	3.	file = open('./aa.html', 'rb') 
	4.	html = file.read() 
	5.	
	6.	bs = BeautifulSoup(html, "html.parser") 
	7.	
	8.	t_list = bs.find_all(attrs={"data-foo": "value"}) 
	9.	for item in t_list: 
	10.	    print(item) 
	11.	
	12.	t_list = bs.find_all(text="hao123") 
	13.	for item in t_list: 
	14.	    print(item) 
	15.	
	16.	t_list = bs.find_all(text=["hao123", "地图", "贴吧"]) 
	17.	for item in t_list: 
	18.	    print(item) 
	19.	
	20.	t_list = bs.find_all(text=re.compile("\d")) 
	21.	for item in t_list: 
	22.	    print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：

	1.	def length_is_two(text):
	2.	    return text and len(text) == 2
	3.	
	4.	t_list = bs.find_all(text=length_is_two)
	5.	for item in t_list:
	6.	    print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据

	1.	from bs4 import BeautifulSoup 
	2.	import re 
	3.	file = open('./aa.html', 'rb') 
	4.	html = file.read() 
	5.	
	6.	bs = BeautifulSoup(html, "html.parser") 
	7.	
	8.	t_list = bs.find_all("a",limit=2) 
	9.	for item in t_list: 
	10.	    print(item)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

find_all除了上面一些常规的写法，还可以对其进行一些简写：

	1.	# 两者是相等的
	2.	# t_list = bs.find_all("a") => t_list = bs("a")
	3.	t_list = bs("a") # 两者是相等的
	4.	# t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻")
	5.	t_list = bs.a(text="新闻")

  • 1
  • 2
  • 3
  • 4
  • 5

6.2、find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。

	1.	from bs4 import BeautifulSoup 
	2.	import re 
	3.	file = open('./aa.html', 'rb') 
	4.	html = file.read() 
	5.	
	6.	bs = BeautifulSoup(html, "html.parser") 
	7.	
	8.	# 返回只有一个结果的列表
	9.	t_list = bs.find_all("title",limit=1) 
	10.	print(t_list) 
	11.	
	12.	# 返回唯一值
	13.	t = bs.find("title") 
	14.	print(t) 
	15.	
	16.	# 如果没有找到，则返回None
	17.	t = bs.find("abc") print(t)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17

从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但
是如果未搜索到值时，将返回一个None

在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，
我们可以这样：

	1.	t = bs.div.div
	2.	
	3.	# 等价于
	4.	t = bs.find("div").find("div")

  • 1
  • 2
  • 3
  • 4

七、CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:
7.1、通过标签名查找

	1.	print(bs.select('title'))
	2.	
	3.	print(bs.select('a'))

  • 1
  • 2
  • 3

7.2、通过类名查找

	1.	print(bs.select('.mnav'))

  • 1

7.3、通过id查找

	1.	print(bs.select('#u1'))

  • 1

7.4、组合查找

	1.	print(bs.select('div .bri'))

  • 1

7.5、属性查找

	1.	print(bs.select('a[class="bri"]'))
	2.	print(bs.select('a[href="http://tieba.baidu.com"]'))

  • 1
  • 2

7.6、直接子标签查找

	1.	t_list = bs.select("head > title")
	2.	print(t_list)

  • 1
  • 2

7.7、兄弟节点标签查找

	1.	t_list = bs.select(".mnav ~ .bri")
	2.	print(t_list)

  • 1
  • 2

7.8、获取内容

	1.	t_list = bs.select("title")
	2.	print(bs.select('title')[0].get_text())

  • 1
  • 2

雨夜的博客

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Monodyee/article/detail/140337?site
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号