当前位置:   article > 正文

爬虫 之 BeautifulSoup4 基础教程

beautifulsoup4

beautifulsoup 4 基础教程

BeautifulSoup是python解析html非常好用的第三方库!

		抓取网页信息的***强大帮手***
  • 1

一、安装

pip install beautifulsoup4  
  • 1

二、导入

form bs4 import BeautifulSoup
  • 1

三、解析库

BeautifulSoup默认支持Python的标准HTML解析库,但是它也支持一些第三方的解析库:

序号解析库使用方法优势劣势
1Python标准库BeautifulSoup(html,’html.parser’)Python内置标准库;执行速度快容错能力较差
2lxml HTML解析库BeautifulSoup(html,’lxml’)速度快;容错能力强需要安装,需要C语言库
3lxml XML解析库BeautifulSoup(html,[‘lxml’,’xml’])速度快;容错能力强;支持XML格式需要C语言库
4htm5lib解析库BeautifulSoup(html,’htm5llib’)以浏览器方式解析,最好的容错性速度慢

四、使用技巧
例如有这样一个网页html:

<!DOCTYPE html>
<!--STATUS OK-->
<html>
 <head>
  <meta content="text/html;charset=utf-8" http-equiv="content-type"/>
  <meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
  <meta content="always" name="referrer"/>
  <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
  <title>
   百度一下,你就知道 </title>
 </head>
 <body link="#0000cc">
  <div id="wrapper">
   <div id="head">
    <div class="head_wrapper">
     <div id="u1">
      <a class="mnav" href="http://news.baidu.com" name="tj_trnews">
       新闻 </a>
      <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">
       hao123 </a>
      <a class="mnav" href="http://map.baidu.com" name="tj_trmap">
       地图 </a>
      <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">
       视频 </a>
      <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
       贴吧 </a>
      <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">
       更多产品 </a>
     </div>
    </div>
   </div>
  </div>
 </body>
</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
  • 30
  • 31
  • 32
  • 33
  • 34

创建beautifulsoup4对象:

from bs4 import BeautifulSoup

bs = BeautifulSoup(html,"html.parser")

# 缩进格式
print(bs.prettify()) 

# 获取title标签的所有内容
print(bs.title) 

# 获取title标签的名称
print(bs.title.name) 

# 获取title标签的文本内容
print(bs.title.string) 

# 获取head标签的所有内容
print(bs.head) 

# 获取第一个div标签中的所有内容
print(bs.div) 

# 获取第一个div标签的id的值
print(bs.div["id"])

# 获取第一个a标签中的所有内容
print(bs.a) 

# 获取所有的a标签中的所有内容
print(bs.find_all("a"))

# 获取id="u1"
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
for item in bs.find_all("a"): 
	print(item.get("href")) 
	
# 获取所有的a标签,并遍历打印a标签的文本值
for item in bs.find_all("a"): 
	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
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42

五、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:

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

(1)Tag : Tag通俗点讲就是HTML中的一个个标签,例如:

from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"html.parser")

# 获取title标签的所有内容
print(bs.title)

# 获取head标签的所有内容
print(bs.head)

# 获取第一个a标签的所有内容
print(bs.a)

# 类型
print(type(bs.a))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

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:

# [document] 
#bs 对象本身比较特殊,它的 name 即为 [document]
print(bs.name)

# head 
#对于其他内部标签,输出的值便为标签本身的名称
print(bs.head.name) 

# 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。
print(bs.a.attrs)

#还可以利用get方法,传入属性的名称,二者是等价的
print(bs.a['class']) # bs.a.get('class')

# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a) 

# 还可以对这个属性进行删除
del bs.a['class'] 
print(bs.a)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

(2)NavigableString:获取标签内部的文字用 .string 即可,例如:

print(bs.title.string)

print(type(bs.title.string))
  • 1
  • 2
  • 3

(3)BeautifulSoup: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:

print(type(bs.name))

print(bs.name)

print(bs.attrs)
  • 1
  • 2
  • 3
  • 4
  • 5

(4)Comment:是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。

print(bs.a)  # 此时不能出现空格和换行符,a标签如下:
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>

print(bs.a.string) # 新闻

print(type(bs.a.string)) # <class 'bs4.element.Comment'>

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

六、遍历文档树

(1).contents:获取Tag的所有子节点,返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)

# 用列表索引来获取它的某一个元素
print(bs.head.contents[1])
  • 1
  • 2
  • 3
  • 4
  • 5

(2).children:获取Tag的所有子节点,返回一个生成器

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

七、搜索文档树

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

(1)name参数:

字符串过滤:会查找与字符串完全匹配的内容

a_list = bs.find_all("a")
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

t_list = bs.find_all(re.compile("a"))
for item in t_list:
    print(item)
  • 1
  • 2
  • 3

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

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

方法: 传入一个方法,根据方法来匹配

def name_is_exists(tag):
    return tag.has_attr("name")

t_list = bs.find_all(name_is_exists)
for item in t_list:
    print(item)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

(2)kwargs参数:

# 查询id=head的Tag
t_list = bs.find_all(id="head")
print(t_list)

# 查询href属性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)

# 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)
t_list = bs.find_all(class_=True)
for item in t_list:
    print(item)

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

(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,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:

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

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

t_list = bs.find_all(text="hao123")
for item in t_list:
    print(item)

t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
    print(item)

t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
    print(item)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

(5)limit参数:
传入一个limit参数来限制返回的数量
例如下列放回数量为2

t_list = bs.find_all("a",limit=2)
for item in t_list:
    print(item)
  • 1
  • 2
  • 3

2.find()
返回符合条件的第一个Tag
即当我们要取一个值的时候就可以用这个方法

t = bs.div.div

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

八、CSS选择器

(1)通过标签名查找

print(bs.select('title'))

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

(2)通过类名查找

print(bs.select('.mnav'))
  • 1

(3)通过id查找

print(bs.select('#u1'))
  • 1

(4)组合查找

print(bs.select('div .bri'))
  • 1

(5)属性查找

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

(6)获取内容

t_list = bs.select("title")
print(bs.select('title')[0].get_text())
  • 1
  • 2
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/繁依Fanyi0/article/detail/140343?site
推荐阅读
相关标签
  

闽ICP备14008679号