当前位置:   article > 正文

BeautifulSoup4 提取数据爬虫用法详解_beautiful 获取了一堆 \ue00

beautiful 获取了一堆 \ue00

Beautiful Soup 是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据。 
它基于 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。虽然说BeautifulSoup4 简单容易比较上手,但是匹配效率还是远远不如正则以及xpath的,一般不推荐使用,推荐正则的使用。

第一步:pip install beautifulsoup4 ,万事开头难,先安装 beautifulsoup4,安装成功后就完成了第一步。

第二步:导入from bs4 import BeautifulSoup 这个模块

第三步:创建 Beautiful Soup 对象          soup = BeautifulSoup(html) 

开始使用:

 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: (1)Tag (2) NavigableString (3) BeautifulSoup (4) Comment 

(1)用BeautifulSoup来获取Tags :Tag 通俗点讲就是 HTML 中的一个个标签,直接用BeautifulSoup来调用

  1. soup = BeautifulSoup(html,’lxml’)
  2. print(soup.title)
  3. print(soup.head)
  4. print(soup.a)
  5. print(soup.p)
  6. print(type(soup.p))

这样就可以得到你想要的标签内容了。

tag还可以进行增删改查的操作:

  1. #soup 对象本身比较特殊,它的 name 即为 [document]
  2. print(soup.name)
  3. print(soup.head.name)
  4. #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。
  5. print(soup.p.attrs)
  6. #根据名称获取对应的属性值,类型为列表
  7. print(soup.p['class'])
  8. print(soup.p.get('class'))
  9. # 可以对这些属性和内容等等进行修改
  10. soup.p['class'] = "newClass"
  11. print(soup.p)
  12. # 删除属性
  13. del soup.p['class']
  14. print(soup.p)

(2)  NavigableString 

获取标签内部的文字用 .string 即可

  1. print(soup.p.string)
  2. # The Dormouse's story
  3. print(type(soup.p.string))
  4. # 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

  1. print(type(soup.name))
  2. # <type 'unicode'>
  3. print(soup.name)
  4. # [document]
  5. print(soup.attrs)
  6. # 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,其输出注释但不包含注释符号。 

  1. print(soup.a)
  2. # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  3. print(soup.a.string)
  4. # Elsie
  5. print(type(soup.a.string))
  6. # <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 

一      开始搜索文档树:.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 
Beautiful Soup会查找与字符串完整匹配的内容 
范例:用于查找文档中所有的<b>标签: 
print(soup.find_all('b')) print(soup.find_all('a')) 
B.传正则表达式 
Beautiful Soup会通过正则表达式的 match()来匹配内容. 
范例:找出所有以 b开头的标签,这表示<body>和<b>标签都应该被找到 
import re for tag in soup.find_all(re.compile("^b")):     print(tag.name) 
C.传列表 
Beautiful Soup会将与列表中任一元素匹配的内容返回. 
范例:找到文档中所有<a>标签和<b>标签: 
print(soup.find_all(["a", "b"])) 
2)keyword 参数 
print(soup.find_all(id='link2')) 
3)text 参数 
text 参数接受字符串,正则表达式,列表, 可以搜搜文档中的字符串内容 
print(soup.find_all(text="Elsie")) 
print(soup.find_all(text=["Tillie", "Elsie", "Lacie"])) 
print(soup.find_all(text=re.compile("Dormouse"))) 

 

二 CSS选择器      (重点!!!!!!)

写 CSS时,标签名不加任何修饰,类名前加.,id名前加# 
可以利用类似的 soup.select()方法来筛选元素,返回结果是 list 
soup.select_one() 返回值是list的首个。 
(1)通过标签名查找 
print(soup.select('title'))  print(soup.select('a')) print(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"]')) 
print(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 
可以遍历 select 方法返回的结果,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()) 

 

学会以上这些,基本就可以自己掌握BeautifulSoup4的使用了

 

 

 

 

 

 

 

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/小小林熬夜学编程/article/detail/140393
推荐阅读
相关标签
  

闽ICP备14008679号