爬虫-9.BeautifulSoup

时间 2019-12-20

标签爬虫 9.beautifulsoup beautifulsoup 栏目网络爬虫繁體版

原文原文链接

CSS 选择器：BeautifulSoup4

和 lxml 同样，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。css

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，所以时间和内存开销都会大不少，因此性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单，API很是人性化，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。
Beautiful Soup 3 目前已经中止开发，推荐如今的项目使用Beautiful Soup 4。使用 pip 安装便可：pip install beautifulsoup4html

官方文档：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

构建对象：正则表达式

from bs4 import BeautifulSoup

html = """
<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>
"""
#建立 Beautiful Soup 对象
soup = BeautifulSoup(html)
#能够经过soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器

#打开本地 HTML 文件的方式来建立对象
#soup = BeautifulSoup(open('xxx.html'))

#格式化输出 soup 对象的内容
print(soup.prettify())

四大对象种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每一个节点都是Python对象,全部对象能够概括为4种:性能

Tag

NavigableString

BeautifulSoup

Comment

1.Tag

Tag通俗点讲就是 HTML 中的一个个标签加上里面包括的内容code

使用 Beautiful Soup 来获取 Tags:orm

soup = BeautifulSoup(html)

print (soup.title)
# <title>The Dormouse's story</title>

print(soup.head)   #只打印第一个
# <head><title>The Dormouse's story</title></head>

print(soup.a)     #只打印第一个
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

print(type(soup.a))  #打印类型，结果为Tag
# <class 'bs4.element.Tag'>

咱们能够利用 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。可是注意，它查找的是在全部内容中的第一个符合要求的标签。若是要查询全部的标签，后面会进行介绍。xml

对于 Tag，它有两个重要的属性，是 name 和 attrshtm

print soup.name
# [document] #soup 对象自己比较特殊，它的 name 即为 [document]

print soup.head.name
# head #对于其余内部标签，输出的值便为标签自己的名称

print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在这里，咱们把 p 标签的全部属性打印输出了出来，获得的类型是一个字典。

print soup.p['class'] # soup.p.get('class')
# ['title'] #还能够利用get方法，传入属性的名称，两者是等价的

soup.p['class'] = "newClass"
print soup.p # 能够对这些属性和内容等等进行修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

del soup.p['class'] # 还能够对这个属性进行删除
print soup.p
# <p name="dromouse"><b>The Dormouse's story</b></p>

2.NavigableString

获得标签的内容，须要获取标签内部的文字，能够使用.string便可对象

print(soup.p.string)
# The Dormouse's story

print(type(soup.p.string))
<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，能够把它看成Tag对象，是一个特殊的Tag：递归

print(type(soup.name))
# <type 'unicode'>

print(soup.name)
# [document]

print(soup.attrs)
# {}

4.Comment

Comment 对象是一个特殊的NavigableString 对象，其输出的内容不包括注释

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 标签里的内容其实是注释，可是若是咱们利用 .string 来输出它的内容时，注释符号已经去掉了。

遍历文档树

1.直接子节点：.contents .children 属性

.content
tag的.content属性能够将tag的子节点以列表的方式输出

print soup.head.contents 
#[<title>The Dormouse's story</title>]

输出方式为列表，咱们能够用列表索引来获取它的某一个元素

print(soup.head.contents[0])
#[<title>The Dormouse's story</title>]

.children
返回的是列表生成式对象

print soup.head.children
#<listiterator object at 0x7f71457f5710>

2.全部子孙节点：.descendants 属性

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性能够对全部tag的子孙节点进行递归循环，和 children相似，咱们也须要遍历获取其中的内容。

for child in soup.descendants:
    print child

3.节点内容：.string 属性

若是tag只有一个 NavigableString 类型子节点,那么这个tag能够使用 .string 获得子节点。若是一个tag仅有一个子节点,那么这个tag也能够使用 .string 方法,输出结果与当前惟一子节点的 .string 结果相同。

通俗点说就是：若是一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。若是标签里面只有惟一的一个标签了，那么 .string 也会返回最里面的内容。例如：

print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story

搜索文档树

1.find_all(name, attrs, recursive, text, kwargs)
1 name 参数**
name 参数能够查找全部名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中全部的<b>标签:

soup.find_all('b')
#返回符合结果的列表
# [<b>The Dormouse's story</b>]

B.传正则表达式
若是传入正则表达式做为参数,Beautiful Soup会经过正则表达式的 match() 来匹配内容.下面例子中找出全部以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)
# body
# b

C.传列表
若是传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中全部<a>标签和<b>标签:

soup.find_all(["a", "b"])
# [<b>The Dormouse's story</b>,
#  <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>]

2 keyword 参数

soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

3 text 参数
经过 text 参数能够搜搜文档中的字符串内容，与 name 参数的可选值同样, text 参数接受字符串 , 正则表达式 , 列表

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"]

CSS选择器

这就是另外一种与 find_all 方法有殊途同归之妙的查找方法.

写 CSS 时，标签名不加任何修饰，类名前加. ,id名前加#

在这里咱们也能够利用相似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

经过标签名查找

soup.select('title') 
#[<title>The Dormouse's story</title>]

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>]

soup.select('b')
#[<b>The Dormouse's story</b>]

经过类名查找

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>]

经过 id 名查找

print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

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同样的，例如查找 p 标签中，id 等于 link1的内容，两者须要用空格分开

soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

属性查找

查找时还能够加入属性元素，属性须要用中括号括起来，注意属性和标签属于同一节点，因此中间不能加空格，不然会没法匹配到。

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>]

获取内容

以上的 select 方法返回的结果都是列表形式，能够遍历形式输出，而后用 get_text() 方法来获取它的内容。

soup = BeautifulSoup(html, 'lxml')

soup.select('title')[0].get_text()
#或者
for title in soup.select('title'):
    print title.get_text()