繁依Fanyi0

这个屌丝很懒，什么也没留下！

热门标签

爬虫之 BeautifulSoup4 基础教程

作者：繁依Fanyi0 | 2024-02-25 10:25:29

踩

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
1	Python标准库	BeautifulSoup(html,’html.parser’)	Python内置标准库；执行速度快	容错能力较差
2	lxml 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
3	lxml 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
4	htm5lib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

爬虫 之 BeautifulSoup4 基础教程

beautifulsoup 4 基础教程

爬虫之 BeautifulSoup4 基础教程