爬蟲之beautifulsoup模塊
阿新 • • 發佈：2018-07-09
找到 索引 生成器 上一個 安裝模塊 content before con 數據 一、介紹
Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間，官網推薦在現在的項目中使用Beautiful Soup 4, 移植到BS4，安裝模塊如下：
Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間，官網推薦在現在的項目中使用Beautiful Soup 4, 移植到BS4，安裝模塊如下：
# pip3 install beautifulsoup4 #pip3 install LXML
二、用法
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
asdf
<div class="title">
<b>The Dormouse's story總共</b>
<h1>f</h1>
</div>
<div class="story">Once upon a time there were three little sisters; and their names were
<a class="sister0" id="link1">Els<span>f</span>ie</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.</div>
ad<br/>sf
<p class="story">...</p>
</body>
</html>
"""
soup=BeautifulSoup(html_doc, features="lxml")
tag1 = soup.find(name='a') # 找到第一個a標簽
tag2 = soup.find_all(name='a') # 找到所有的a標簽
tag3 = soup.select('#link2') # 找到id＝link2的標簽1、標簽名稱查找
tag = soup.find('a')
name = tag.name # 獲取標簽名稱，結果a
tag.name = 'span' # 設置標簽名稱2、標簽屬性查找
tag = soup.find('a')
attrs = tag.attrs # 獲取名稱為a的標簽的屬性 ，結果{'class': ['sister0'], 'id': 'link1'}
tag.attrs = {'ik':123} # 設置
tag.attrs['id'] = 'iiiii' # 設置 # 可以使用print(soup)查看設置後的所有標簽屬性3、子孫標簽查找
soup.p.contents #p下所有子節點
soup.p.children #得到一個叠代器,包含p下所有子節點
for i,child in enumerate(soup.p.children):
print(i,child)
soup.p.descendants #獲取子孫節點,p下所有的標簽都會選擇出來
for i,child in enumerate(soup.p.descendants):
print(i,child)4、clear,將標簽的所有子標簽全部清空（保留標簽名）
tag = soup.find('body')
tag.clear() # 清空名稱為body的標簽，保留標簽名5、decompose,遞歸的刪除所有的標簽
body = soup.find('body')
body.decompose() # 遞歸的刪除名稱為body的標簽6、extract,遞歸的刪除所有的標簽，並獲取刪除的標簽
body = soup.find('body')
v = body.extract() # 遞歸的刪除名稱為body的標簽
print(soup) #查看刪除後的結果為 <html><head><title>The Dormouse's story</title></head> </html>7、decode,轉換為字符串（含當前標簽）；decode_contents（不含當前標簽）
body = soup.find('body')
print(body.decode()) #名稱為body的標簽轉換為字符串，包含body標簽
print(body.decode_contents()) #名稱為body的標簽轉換為字符串，不包含body標簽8、 encode,轉換為字節（含當前標簽）；encode_contents（不含當前標簽）
body = soup.find('body')
print(body.encode()) #名稱為body的標簽轉換為字節，包含body標簽
print(body.encode_contents()) #名稱為body的標簽轉換為字節，不包含body標簽9、find,獲取匹配的第一個標簽
soup.find_all('title', limit=1)
soup.find('title')
# 上面兩個查找結果一樣，find查找就相當於find_all查找並設置limit=1
# find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果.
# find_all() 方法沒有找到目標是返回空列表, find() 方法找不到目標時,返回 None
soup.find("head").find("title") #可以簡單寫成 soup.head.title
tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')10、find_all,獲取匹配的所有標簽
####### 列表 #######
v = soup.find_all(name=['a','div'])
print(v)
v = soup.find_all(class_=['sister0', 'sister'])
print(v)
v = soup.find_all(text=['Tillie'])
print(v, type(v[0])) #結果：['Tillie'] <class 'bs4.element.NavigableString'>
v = soup.find_all(id=['link1','link2']) #查找id為link1，link2的標簽，結果放在列表裏面
print(v)
v = soup.find_all(href=['link1','link2']) #沒找到href為link1，link2的標簽，所以結果是一個空列表
print(v)
####### 正則 #######
import re
rep = re.compile('p') #匹配規則為p標簽
rep = re.compile('^p') #匹配規則為p開頭標簽
v = soup.find_all(name=rep) #找p開頭的的所有標簽
rep = re.compile('sister.*')
v = soup.find_all(class_=rep)
v = soup.find_all(attrs={"class":rep}) #和上面的一樣
rep = re.compile('http://www.oldboy.com/static/.*')
v = soup.find_all(href=rep) #匹配
####### 方法篩選 #######
def func(tag):
return tag.has_attr('class') and tag.has_attr('id')
v = soup.find_all(name=func)
print(v)
get,獲取標簽屬性
tag = soup.find('a')
v = tag.get('id') #獲取標簽名稱為a的id屬性
print(v)11、has_attr,檢查標簽是否具有該屬性
tag = soup.find('a')
v = tag.has_attr('id') #檢查標簽a是否具有id屬性
print(v)12、get_text,獲取標簽內部文本內容
tag = soup.find('a')
print(tag) #<a class="sister0" id="link1">Els<span>f</span>ie</a>
v = tag.get_text('id')
print(v) #結果是：Elsidfidie13、index,檢查標簽在某標簽中的索引位置
tag = soup.find('body')
v = tag.index(tag.find('div'))
print(v)
tag = soup.find('body')
for i,v in enumerate(tag):
print(i,v)14、is_empty_element,是否是空標簽(是否可以是空)或者自閉合標簽
# 判斷是否是如下標簽：'br', 'hr', 'input', 'img', 'meta', 'spacer', 'link', 'frame', 'base'
tag = soup.find('br')
v = tag.is_empty_element
print(v)15、關聯標簽
soup.next soup.next_element #不分層次的查找標簽的下一個節點 soup.next_elements soup.next_sibling #下一個兄弟 soup.next_siblings #下面的兄弟們=>生成器對象 tag.previous tag.previous_element #不分層次的查找標簽的上一個節點 tag.previous_elements tag.previous_sibling #上一個兄弟 tag.previous_siblings #上面的兄弟們=>生成器對象 tag.parent #獲取標簽的父節點 tag.parents #找到標簽所有的祖先節點
16、查找某標簽的關聯標簽
tag.find_next(...) tag.find_all_next(...) tag.find_next_sibling(...) tag.find_next_siblings(...) tag.find_previous(...) tag.find_all_previous(...) tag.find_previous_sibling(...) tag.find_previous_siblings(...) tag.find_parent(...) tag.find_parents(...) # 參數同find_all
17、select,select_one, CSS選擇器
soup.select("title") #[<title>The Dormouse's story</title>]
soup.select("p:nth-of-type(3)") #選擇所有p標簽中的第三個標簽,相當於soup.select(p)[2]
soup.select("body a") #body裏的a標簽，結果放在列表顯示
soup.select("html head title") #[<title>The Dormouse's story</title>]
soup.select("span,a") #選擇所有的span和a標簽
soup.select("head > title") # 選擇head標簽下的直接title子標簽
soup.select("p > a") # 選擇p標簽下的直接a子標簽
soup.select("p > a:nth-of-type(2)")
soup.select("p > #link1") # 選擇p標簽下的直接id為link1子標簽
soup.select("body > a") # 選擇body標簽下的直接a子標簽
soup.select("#link1 ~ .sister") # 選擇id=link1後的class=sister所有兄弟節點標簽
soup.select("#link1 + .sister") # 選擇id=link1後的class=sister下一個兄弟節點標簽，結果[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
soup.select(".sister") # 選擇class為sister的標簽
soup.select("[class~=sister]") # class=sister的所有節點
soup.select("#link1") # 選擇id為link1的標簽
soup.select("a#link2") # a節點，且id=link2的節點
soup.select('a[href]') # 所有的a節點，有href屬性
soup.select('a[href="http://example.com/elsie"]') # 指定href屬性值的所有a節點
soup.select('a[href^="http://example.com/"]')
soup.select('a[href$="tillie"]') # href屬性以指定值結尾的所有a節點
soup.select('a[href*=".com/el"]')
from bs4.element import Tag
def default_candidate_generator(tag):
for child in tag.descendants:
if not isinstance(child, Tag):
continue
if not child.has_attr('href'):
continue
yield child
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags) #結果：<class 'list'> [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
from bs4.element import Tag
def default_candidate_generator(tag):
for child in tag.descendants:
if not isinstance(child, Tag):
continue
if not child.has_attr('href'):
continue
yield child
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags) #結果：<class 'list'> [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]18、標簽的內容
tag = soup.find('span')
print(tag.string) # 獲取，結果f
tag.string = 'new content' # 設置span標簽內容為new content
tag = soup.find('body')
print(tag.string) #結果None
tag.string = 'xxx' #<body>xxx</body>
tag = soup.find('body')
v = tag.stripped_strings # 遞歸內部獲取所有標簽的文本
print(v) #<generator object stripped_strings at 0x00000000021B0360>19、append在當前標簽內部追加一個標簽
tag = soup.find('body')
tag.append(soup.find('a')) #在body標簽裏追加<a class="sister0" id="link1">Els<span>f</span>ie</a>
from bs4.element import Tag
obj = Tag(name='i',attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
tag.append(obj) #在body標簽裏追加<i id="it">我是一個新來的</i>20、insert在當前標簽內部指定位置插入一個標簽
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
tag.insert(3, obj)
print(soup)21、insert_after,insert_before 在當前標簽後面或前面插入
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
# tag.insert_before(obj) #在當前標簽前面插入
tag.insert_after(obj) #在當前標簽後面插入
print(soup)22、replace_with 在當前標簽替換為指定標簽
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('div')
tag.replace_with(obj)
print(soup)23、創建標簽之間的關系
tag = soup.find('div')
a = soup.find('a')
tag.setup(previous_sibling=a)
print(tag.previous_sibling) #tag的上一個兄弟標簽<a class="sister0" id="link1">Els<span>f</span>ie</a>24、wrap，將指定標簽把當前標簽包裹起來
from bs4.element import Tag
obj1 = Tag(name='div', attrs={'id': 'it'})
obj1.string = '我是一個新來的' #得到新標簽<div id="it">我是一個新來的 </div>
tag = soup.find('a')
v = tag.wrap(obj1) #<div id="it">我是一個新來的<a class="sister0" id="link1">Els<span>f</span>ie</a></div>
print(soup)
tag = soup.find('a')
v = tag.wrap(soup.find('p')) #p標簽包住a標簽 <p class="story">...<a class="sister0" id="link1">Els<span>f</span>ie</a></p>
print(soup)25、unwrap，去掉當前標簽，將保留其包裹的標簽
tag = soup.find('a')
v = tag.unwrap() #結果：Els<span>f</span>ie
print(soup)爬蟲之beautifulsoup模塊