网络爬虫--16.BeautifulSoup4
生活随笔
收集整理的這篇文章主要介紹了
网络爬虫--16.BeautifulSoup4
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
文章目錄
- 一. BeautifulSoup4
- 二. 解析實例
- 三. 四大對象種類
- 1. Tag
- 2. NavigableString
- 3. BeautifulSoup
- 4. Comment
- 四. 遍歷文檔樹
- 1.直接子節點 ：.contents .children 屬性
- 1). .contents
- 2). .children
- 2. 所有子孫節點: .descendants 屬性
- 3. 節點內容: .string 屬性
- 五. 搜索文檔樹
- 1. find_all(name, attrs, recursive, text, **kwargs)
- 1). name 參數
- 2). keyword 參數
- 3).text 參數
- 2. CSS選擇器
- 1). 通過標簽名查找
- 2). 通過類名查找
- 3).通過 id 名查找
- 4).組合查找
- 5). 屬性查找
- 6). 獲取內容
一. BeautifulSoup4
官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。
lxml 只會局部遍歷，而Beautiful Soup 是基于HTML DOM的，會載入整個文檔，解析整個DOM樹，因此時間和內存開銷都會大很多，所以性能要低于lxml。
BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支持CSS選擇器、Python標準庫中的HTML解析器，也支持 lxml 的 XML解析器。
Beautiful Soup 3 目前已經停止開發，推薦現在的項目使用Beautiful Soup 4。使用 pip 安裝即可：pip install beautifulsoup4
二. 解析實例
首先必須要導入 bs4 庫
from bs4 import BeautifulSouphtml = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """#創建 Beautiful Soup 對象 soup = BeautifulSoup(html)#打開本地 HTML 文件的方式來創建對象 #soup = BeautifulSoup(open('index.html'))#格式化輸出 soup 對象的內容 print soup.prettify()輸出結果：
<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>and<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p><p class="story">...</p></body> </html>運行后會看到這樣一段警告：
UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("lxml"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.The code that caused this warning is on line 18 of the file D:/PycharmProject/spider/spider24_BeautifulSoup1.py. To get rid of this warning, pass the additional argument 'features="lxml"' to the BeautifulSoup constructor.soup = BeautifulSoup(html)
意思是，如果我們沒有顯式地指定解析器，所以默認使用這個系統的最佳可用HTML解析器(“lxml”)。如果你在另一個系統中運行這段代碼，或者在不同的虛擬環境中，使用不同的解析器造成行為不同。
但是我們可以通過soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器
三. 四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:
- Tag
- NavigableString
- BeautifulSoup
- Comment
1. Tag
Tag 通俗點講就是 HTML 中的一個個標簽，例如：title head a p等等 HTML 標簽加上里面包括的內容就是 Tag，那么試著使用 Beautiful Soup 來獲取 Tags:
from bs4 import BeautifulSouphtml = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """#創建 Beautiful Soup 對象 soup = BeautifulSoup(html)print soup.title # <title>The Dormouse's story</title>print soup.head # <head><title>The Dormouse's story</title></head>print soup.a # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print soup.p # <p class="title" name="dromouse"><b>The Dormouse's story</b></p>print type(soup.p) # <class 'bs4.element.Tag'>我們可以利用 soup 加標簽名輕松地獲取這些標簽的內容，這些對象的類型是bs4.element.Tag。但是注意，它查找的是在所有內容中的第一個符合要求的標簽。如果要查詢所有的標簽，后面會進行介紹。
對于 Tag，它有兩個重要的屬性，是 name 和 attrs
print soup.name # [document] #soup 對象本身比較特殊，它的 name 即為 [document]print soup.head.name # head #對于其他內部標簽，輸出的值便為標簽本身的名稱print soup.p.attrs # {'class': ['title'], 'name': 'dromouse'} # 在這里，我們把 p 標簽的所有屬性打印輸出了出來，得到的類型是一個字典。print soup.p['class'] # soup.p.get('class') # ['title'] #還可以利用get方法，傳入屬性的名稱，二者是等價的soup.p['class'] = "newClass" print soup.p # 可以對這些屬性和內容等等進行修改 # <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>del soup.p['class'] # 還可以對這個屬性進行刪除 print soup.p # <p name="dromouse"><b>The Dormouse's story</b></p>2. NavigableString
既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用 .string 即可，例如
print soup.p.string # The Dormouse's storyprint type(soup.p.string) # In [13]: <class 'bs4.element.NavigableString'>3. BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下
print type(soup.name) # <type 'unicode'>print soup.name # [document]print soup.attrs # 文檔本身的屬性為空 # {}4. Comment
Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的內容不包括注釋符號。
print soup.a # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print soup.a.string # Elsie print type(soup.a.string) # <class 'bs4.element.Comment'>a 標簽里的內容實際上是注釋，但是如果我們利用 .string 來輸出它的內容時，注釋符號已經去掉了。
四. 遍歷文檔樹
1.直接子節點 ：.contents .children 屬性
1). .contents
tag 的 .content 屬性可以將tag的子節點以列表的方式輸出
print soup.head.contents #[<title>The Dormouse's story</title>]輸出方式為列表，我們可以用列表索引來獲取它的某一個元素
print soup.head.contents[0] #<title>The Dormouse's story</title>2). .children
它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。
我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象
print soup.head.children #<listiterator object at 0x7f71457f5710>for child in soup.body.children:print child結果:
<p class="title" name="dromouse"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p><p class="story">...</p>2. 所有子孫節點: .descendants 屬性
.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。
for child in soup.descendants:print child運行結果：
<html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> </body></html> <head><title>The Dormouse's story</title></head> <title>The Dormouse's story</title> The Dormouse's story<body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> </body><p class="title" name="dromouse"><b>The Dormouse's story</b></p> <b>The Dormouse's story</b> The Dormouse's story<p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>Elsie ,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> Lacieand<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> Tillie ; and they lived at the bottom of a well.<p class="story">...</p> ...3. 節點內容: .string 屬性
如果tag只有一個 NavigableString 類型子節點,那么這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那么這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。
通俗點說就是：如果一個標簽里面沒有標簽了，那么 .string 就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么 .string 也會返回最里面的內容。例如：
print soup.head.string #The Dormouse's story print soup.title.string #The Dormouse's story五. 搜索文檔樹
1. find_all(name, attrs, recursive, text, **kwargs)
1). name 參數
name 參數可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉
A.傳字符串
最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用于查找文檔中所有的< b>標簽:
B.傳正則表達式
如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標簽,這表示< body>和< b>標簽都應該被找到
C.傳列表
如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有< a>標簽和< b>標簽:
2). keyword 參數
soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]3).text 參數
soup.find_all(text="Elsie") # [u'Elsie']soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie']soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"]2. CSS選擇器
這就是另一種與 find_all 方法有異曲同工之妙的查找方法.
- 寫 CSS 時，標簽名不加任何修飾，類名前加.，id名前加#
- 在這里我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回類型是 list
1). 通過標簽名查找
print soup.select('title') #[<title>The Dormouse's story</title>]print soup.select('a') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]print soup.select('b') #[<b>The Dormouse's story</b>]2). 通過類名查找
print soup.select('.sister') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]3).通過 id 名查找
print soup.select('#link1') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]4).組合查找
組合查找即和寫 class 文件時，標簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標簽中，id 等于 link1的內容，二者需要用空格分開
print soup.select('p #link1') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]直接子標簽查找，則使用 > 分隔
print soup.select("head > title") #[<title>The Dormouse's story</title>]5). 屬性查找
查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標簽屬于同一節點，所以中間不能加空格，否則會無法匹配到。
print soup.select('a[class="sister"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]print soup.select('a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格
print soup.select('p a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]6). 獲取內容
以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然后用 get_text() 方法來獲取它的內容。
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()總結
以上是生活随笔為你收集整理的网络爬虫--16.BeautifulSoup4的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： multisim 1.4破解汉化
- 下一篇： 【Multisim】导入spice器件详