Python爬虫(十二)_BeautifulSoup4 解析器

时间 2019-11-08

标签 python 爬虫十二 beautifulsoup4 beautifulsoup 解析栏目 Python 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 Soup3目前已经中止开发，推荐如今的项目使用Beautiful Soup。使用pip安装便可：pip install beautifulsoup4html

官方文档： http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
|抓取工具|速度|使用难道|安装难度|
|---|---|--|----|
|正则|最快|困难|无(内置)|
|BeautifulSoup|慢|最简单|简单|
|lxml|快|简单|通常|python

实例：

首先必需要导入bs4库正则表达式

# 07-urllib2_beautipulsoup_prettify

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)

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

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

若是咱们在IPython2下执行，会看到这样一段警告：

意思是，若是咱们没有显示地指定解析器，因此默认使用这个系统的最佳可用HTML解析器("lxml")。若是你在另外一个系统中运行这段代码，或者在不一样的虚拟环境中，使用不一样的解析器形成行为不一样。

可是咱们能够经过soup = BeautifulSoup(html, "lxml")

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：markdown

Tag

NaviganleString

BeautifulSoup

Comment

1.Tag

Tag通俗点讲就是HTM中的一个个标签，例如：工具

<head><title>The Dormouse's story</title></head>
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

上面的title、head、a、p等等标签上加上里面包括的内容就是Tag,那么试着使用Beautiful Soup来获取Tagspost

#-*- coding:utf-8 -*-
#08-urllib2_beautifulsoup_tag.py

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)

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

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'>

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。性能

对于Tag,它有两个重要的属性，是name和attrsurl

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，传入属性的方法，两者是等价的。  

soup.a['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

既然咱们已经获得了标签的内容，那么问题来了，咱们要想获取标签内部的文字怎么办呢？很简单，用.string便可，例如spa

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。大部门时候，能够用它当作Tag对象，是一个特殊的Tag，咱们能够分别获取它的类型，名称，以及属性来感觉一下。

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

print soup.name
#[document]

print soup.attrs #文档自己的属性为空
#{}

4. Comment

Comment对象时一个特殊类型的NavigableString对象，其输出的内容不包括注释符号。

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
它返回的不是一个list,不过咱们能够经过遍历获取全部子节点。
咱们打印输出.children看一下，能够发现他是一个list生成器对象。

print soup.head.children #<listiterator object at 0x7f71457f5710> for child in soup.body.children: print child

结果：

<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. 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，输出结果与当前惟一子节点的.string结果相同。
通俗点讲就是：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参数能够查找全部民资为name的tag，字符串对象会自动忽略掉。

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，eautiful Soup会自动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标签：

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

print soup.find_all('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>]

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参数能够搜索文档中的字符串内容，与name参数的可选值同样，text参数接收参数值，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