Loading... # BeautifulSoup4简介 参考: http://www.jsphp.net/python/show-24-214-1.html 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。 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。 # BeautifulSoup4主要解析器,以及优缺点  # BeautifulSoup4简单使用 假设有这样一个Html,具体内容如下: ``` <!DOCTYPE html> <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> ``` ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") # 缩进格式 print(bs.prettify()) # 格式化html结构 print(bs.title) # 获取title标签的名称 print(bs.title.name) # 获取title的name print(bs.title.string) # 获取head标签的所有内容 print(bs.head) print(bs.div) # 获取第一个div标签中的所有内容 print(bs.div["id"]) # 获取第一个div标签的id的值 print(bs.a) print(bs.find_all("a")) # 获取所有的a标签 print(bs.find(id="u1")) # 获取id="u1" 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标签中的href的值 for item in bs.find_all("a"): print(item.get_text()) # 获取所有的a标签,并遍历打印a标签中的内容 ``` # 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 ## Tag Tag通俗点讲就是HTML中的一个个标签,例如: ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() 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)) ``` 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: ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") # [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']) # 等价 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) ``` ## 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: ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") print(bs.title.string) print(type(bs.title.string)) ``` ## 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: ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") print(type(bs.name)) print(bs.name) print(bs.attrs) ``` ## 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。 ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") 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'> ``` # 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]) ``` 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) ``` 3. .descendants:获取Tag的所有子孙节点 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. .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 6. .parent:获取Tag的父节点 7. .parents:递归得到父辈元素的所有节点,返回一个生成器 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 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 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 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 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 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 14. .previous_elements:返回一个生成器,可以向前访问文档的解析内容 15. .next_elements:返回一个生成器,可以向后访问文档的解析内容 16. .has_attr:判断Tag是否包含属性 # 搜索文档树 find_all(name, attrs, recursive, text, **kwargs) 在上面的例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。 ## 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) ``` 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 ``` from bs4 import BeautifulSoup import re file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") t_list = bs.find_all(re.compile("a")) for item in t_list: print(item) ``` 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) ``` 方法:传入一个方法,根据方法来匹配 ``` from bs4 import BeautifulSoup file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") 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) ``` ## kwargs参数: ``` from bs4 import BeautifulSoup import re file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") # 查询id=head的Tag t_list = bs.find_all(id="head") print(t_list) # 查询href属性包含http://news.baidu.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) ``` ## 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") ``` 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: ``` t_list = bs.find_all(attrs={"data-foo":"value"}) for item in t_list: print(item) ``` ## 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 ``` from bs4 import BeautifulSoup import re file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html, "html.parser") 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) ``` 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: ``` def length_is_two(text): return text and len(text) == 2 t_list = bs.find_all(text=length_is_two) for item in t_list: print(item) ``` ## 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 ``` from bs4 import BeautifulSoup import re file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html, "html.parser") t_list = bs.find_all("a",limit=2) for item in t_list: print(item) ``` find_all除了上面一些常规的写法,还可以对其进行一些简写: ``` # 两者是相等的 # t_list = bs.find_all("a") => t_list = bs("a") t_list = bs("a") # 两者是相等的 # t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻") t_list = bs.a(text="新闻") ``` 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。 ``` from bs4 import BeautifulSoup import re file = open('./aa.html', 'rb') html = file.read() bs = BeautifulSoup(html, "html.parser") # 返回只有一个结果的列表 t_list = bs.find_all("title",limit=1) print(t_list) # 返回唯一值 t = bs.find("title") print(t) # 如果没有找到,则返回None t = bs.find("abc") print(t) ``` 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: ``` t = bs.div.div # 等价于 t = bs.find("div").find("div") ``` # 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: ## 通过标签名查找 ``` print(bs.select('title')) print(bs.select('a')) ``` ## 通过类名查找 ``` print(bs.select('.mnav')) ``` ## 通过id查找 ``` print(bs.select('#u1')) ``` ## 组合查找 ``` print(bs.select('div .bri')) ``` ## 属性查找 ``` print(bs.select('a[class="bri"]')) print(bs.select('a[href="http://tieba.baidu.com"]')) ``` ## 直接子标签查找 ``` t_list = bs.select("head > title") print(t_list) ``` ## 兄弟节点标签查找 ``` t_list = bs.select(".mnav ~ .bri") print(t_list) ``` ## 获取内容 ``` t_list = bs.select("title") print(bs.select('title')[0].get_text()) ``` 最后修改:2022 年 12 月 20 日 © 允许规范转载 打赏 赞赏作者 支付宝微信 赞 0 如果觉得我的文章对你有用,请随意赞赏