python爬虫日志(5)find(),find_all()函数

1.通常来讲，为了找到BeautifulSoup对象内任何第一个标签入口，使用find()方法。

以上代码是一个生态金字塔的简单展现，为了找到第一辈子产者，第一消费者或第二消费者，可使用Beautiful Soup。

找到第一辈子产者：

生产者在第一个<url>标签里，由于生产者在整个html文档中第一个<url>标签中出现，因此可使用find()方法找到第一辈子产者，在ecologicalpyramid.py

中写入下面一段代码，使用ecologicalpyramid.html文件建立BeautifulSoup对象。

from bs4 import BeautifulSoup
with open('ecologicalpyramid.html', 'r') as ecological_pyramid:　　　　# ecological 生态系统  pyramid 金字塔
　　soup = BeautifulSoup(ecological_pyramid)
producer_entries = soup.find('ul')
print(producer_entries.li.div.string)

输出结果：plants

2.find()

find函数：

find(name, attrs, recursive, text, **wargs)　　　　# recursive 递归的，循环的

这些参数至关于过滤器同样能够进行筛选处理。不一样的参数过滤能够应用到如下状况：

• 查找标签，基于name参数
• 查找文本，基于text参数
• 基于正则表达式的查找
• 查找标签的属性，基于attrs参数
• 基于函数的查找

经过标签查找：

能够传递任何标签的名字来查找到它第一次出现的地方。找到后，find函数返回一个BeautifulSoup的标签对象。

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
　　soup = BeautifulSoup(ecological_pyramid, 'html')
producer_entries = soup.find('ul')
print(type(producer_entries)) 

输出结果： <class 'bs4.element.Tag'>

经过文本查找：

直接字符串的话，查找的是标签。若是想要查找文本的话，则须要用到text参数。以下所示：

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
　　soup = BeautifulSoup(ecological_pyramid, 'html')
producer_string = soup.find(text = 'plants')
print(plants_string)

输出：plants

经过正则表达式查找：

有如下html代码：

想找出第一个邮箱地址，可是第一个邮箱地址没有标签包含，因此经过其余方式很难找到。可是能够将邮箱地址进行正则表达式处理。

import re
from bs4 import BeautifulSoup

email_id_example = """<br/>
<div>The below HTML has the information that has email ids.</div> 
abc@example.com 
<div>xyz@example.com</div> 
<span>foo@example.com</span> 
"""

soup = BeautifulSoup(email_id_example)
emailid_regexp = re.compile("\w+@\w+\.\w+")　　　　# regexp 表达式对象
first_email_id = soup.find(text=emailid_regexp)　　
print(first_email_id)

输出结果：abc@example.com

经过标签属性进行查找：

上面html代码，其中第一个消费者在ul标签里面且id属性为priaryconsumer（priary consumer一次消费者，初级消费者）。

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
    soup = BeautifulSoup(eccological_pyramid, 'html')
primary_consumer = soup.find(id='primaryconsumers')
print(primary_consumer.li.div.string)

输出结果：deer

基于定制属性查找：

经过标签属性查找的方式适用大多数标签属性，包括id，style，title，但有 “-”，Class标签属性例外。

好比html5标签中的data-custom属性，若是咱们这样

customattr = """<p data-custom='custom'>custo attribute
example</p>
"""
customsoup = BeautifulSoup(customattr, 'lxml')
customSoup.find(data-custom="custom")

那么则会报错。缘由是在python中变量不能含有"-"这个字符，而咱们传递的data-custom有这个字符。

解决办法是在attrs属性用字典进行传递参数。

using_attrs = customsoup.find(attrs={'data-custom':'custom'})
print(using_attrs)

基于css类的查找：

class是python的保留关键字，因此没法使用class这个关键字。

第一种方法：在attrs属性用字典进行传递参数

css_class = soup.find(attrs={'class':'primaryconsumers'})
print(css_class) 

第二种方法：BeautifulSoup中的特别关键字参数class_。

css_class = soup.find(class_ = 'primaryconsumers') 

基于定义的函数进行查找：

能够传递函数到find()来基于函数定义的条件查找。函数必须返回True或False。

def is_secondary_consumers(tag):
return tag.has_attr('id') and tag.get('id') == 'secondaryconsumers'

secondary_consumer = soup.find(is_secondary_consumers)
print(secondary_consumer.li.div.string)

输出：fox

将方法进行组合后进行查找：

能够用其中任何方法进行组合进行查找，好比同时基于标签名和id号。

3.find_all查找

find()查找第一个匹配结果出现的地方，find_all()找到全部匹配结果出现的地方。

查找全部3级消费者：

all_tertiaryconsumers = soup.find_all(class_ = 'tertiaryconsumerslist')        # tertiary第三的

其中all_tertiaryconsumers的类型是列表。

因此对其列表进行迭代，循环输出三级消费者的名字。

for tertiaryconsumer in all_tertiaryconsumers:
print(tertiaryconsumer.div.string) 

输出结果：

lion

tiger

find_all()的参数：

find_all(name, attrs, recursive, text, limit, **kwargs)

limit参数能够限制获得的结果的数目。

参照前面的邮件地址例子，获得全部邮件地址：

email_ids = soup.find_all(text=emailid_regexp)
print(email_ids)

输出结果：[u'abc@example.com',u'xyz@example.com',u'foo@example.com']

使用limit参数：

email_ids_limited = soup.find_all(text=emailid_regexp, limit = 2)
print(email_ids_limited)

限制获得两个结果，因此输出结果：[u'abc@example.com',u'xyz@example.com']

能够向find函数传递True或False参数，若是传递True给find_all()，则返回soup对象的全部标签。对于find()来讲，则返回soup对象的第一个标签。

all_texts = soup.find_all(text=True)
print(all_texts)

输出结果：

一样，能够在传递text参数时传递一个字符串列表，那么find_all()会找到挨个在列表中定义过的字符串。

all_texts_in_list = soup.find_all(text=['plants', 'algae'])
print(all_texts_in_list)

输出结果：

[u'plants', u'alage']

这个一样适用于查找标签，标签属性，定制属性和CSS类。如：

div_li_tags = soup.find_all(['div', 'li'])

而且find()和find_all()都会查找一个对象全部后辈们，不过能够经过recursive参数控制。(recursive回归，递归)

若是recursive=False，只会找到该对象的最近后代。

经过标签之间的关系进行查找

查找父标签

经过find_parents()或find_parent()。它们之间的不一样相似于find()和find_all()的区别。

find_parents()返回所有的相匹配的父标签，而find_parent()返回最近一个父标签。适用于find()的方法一样适用于这两个方法。

在第一消费者例子中，能够找到离Primaryconsumer最近的ul父标签。

primaryconsumers = soup.find_all(class_ = 'primaryconsumerlist')
primaryconsumer = primaryconsumers[0]
parent_ul = primaryconsumer.find_parents('ul')
print(parent_ul)

一个简单的找到一个标签的父标签的方法是使用find_parent()却不带任何参数。

immediateprimary_consumer_parent = primary_consumer.find_parent()

查找同胞

标签在同一个等级，这些标签是同胞关系，好比参照上面金子塔例子，全部的ul标签就是同胞的关系。上面的ul标签下的producers，primaryconsumers，，

secondaryconsumers，teriaryconsumers就是同胞关系。

div下的plants和algae不是同胞关系，可是plants和临近的number是同胞关系。

Beautiful Soup自带查找同胞的方法。

好比find_next_siblings()和find_next_sibling()查找对象下面的同胞。(sibling兄弟姐妹)

producers = soup.find(id = 'producers')
next_siblings = producers.find_next_siblings()
print(next_siblings)

输出结果将会输出与之临近的下面的全部同胞html代码。

查找下一个

对每个标签来讲，下一个元素可能会是定位字符串，标签对象或者其余BeautifulSoup对象，咱们定义下一个元素为当前元素最靠近的元素 。

这不用于同胞定义，咱们有方法能够找到咱们想要标签的下一个其余元素对象。find_all_next()找到与当前元素最靠近的全部对象。而find_next()找到离当前元素最接近的对象。

好比，找到在第一个div标签后的全部li标签

first_div = soup.div
all_li_tags = first_div.find_all_next('li')

 

查找上一个

与查找下一个相反的是查找前一个，用find_previous()和find_all_previous()。