爬蟲 BeatifulSoup 模塊
阿新 • • 發佈：2019-02-10
支持 能夠 enumerate 其他 ror 順序 sss find() 用法
BeatifulSoup 模塊
介紹
Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫
安裝
pip install beautifulsoup4
解析器下載
Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器,其中一個是 lxml .根據操作系統不同,可以選擇下列方法來安裝lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一個可供選擇的解析器是純Python實現的 html5lib , html5lib的解析方式與瀏覽器相同,可以選擇下列方法來安裝html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib
解析器
下表列出了主要的解析器,以及它們的優缺點,
官網推薦使用lxml作為解析器,因為效率更高.
在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必須安裝lxml或html5lib, 因為那些Python版本的標準庫中內置的HTML解析方法不夠穩定.
基本使用
html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"><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>""" #基本使用：容錯處理,文檔的容錯能力指的是在html代碼不完整的情況下,使用該模塊可以識別該錯誤。使用BeautifulSoup解析上述代碼,能夠得到一個 BeautifulSoup 的對象,並能按照標準的縮進格式的結構輸出 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) #具有容錯功能 res=soup.prettify() #處理好縮進，結構化顯示 print(res)
遍歷文檔樹
即直接通過標簽名字選擇，特點是選擇速度快，
但如果存在多個相同的標簽則只返回第一個
#遍歷文檔樹：即直接通過標簽名字選擇，特點是選擇速度快，但如果存在多個相同的標簽則只返回第一個#1、用法 #2、獲取標簽的名稱 #3、獲取標簽的屬性 #4、獲取標簽的內容 #5、嵌套選擇 #6、子節點、子孫節點 #7、父節點、祖先節點 #8、兄弟節點
#遍歷文檔樹：即直接通過標簽名字選擇，特點是選擇速度快，但如果存在多個相同的標簽則只返回第一個 html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p id="my p" class="title"><b id="bbb" class="boldest">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> """ #1、用法 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) # soup=BeautifulSoup(open(‘a.html‘),‘lxml‘) print(soup.p) #存在多個相同的標簽則只返回第一個 print(soup.a) #存在多個相同的標簽則只返回第一個 #2、獲取標簽的名稱 print(soup.p.name) #3、獲取標簽的屬性 print(soup.p.attrs) #4、獲取標簽的內容 print(soup.p.string) # p下的文本只有一個時，取到，否則為None print(soup.p.strings) #拿到一個生成器對象, 取到p下所有的文本內容 print(soup.p.text) #取到p下所有的文本內容 for line in soup.stripped_strings: #去掉空白 print(line) ‘‘‘ 如果tag包含了多個子節點,tag就無法確定 .string 方法應該調用哪個子節點的內容, .string 的輸出結果是 None，如果只有一個子節點那麽就輸出該子節點的文本，比如下面的這種結構，soup.p.string 返回為None,但soup.p.strings就可以找到所有文本 <p id=‘list-1‘> 哈哈哈哈 <a class=‘sss‘> <span> <h1>aaaa</h1> </span> </a> <b>bbbbb</b> </p> ‘‘‘ #5、嵌套選擇 print(soup.head.title.string) print(soup.body.a.string) #6、子節點、子孫節點 print(soup.p.contents) #p下所有子節點 print(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) print(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) #7、父節點、祖先節點 print(soup.a.parent) #獲取a標簽的父節點 print(soup.a.parents) #找到a標簽所有的祖先節點，父親的父親，父親的父親的父親... #8、兄弟節點 print(‘=====>‘) print(soup.a.next_sibling) #下一個兄弟 print(soup.a.previous_sibling) #上一個兄弟 print(list(soup.a.next_siblings)) #下面的兄弟們=>生成器對象 print(soup.a.previous_siblings) #上面的兄弟們=>生成器對象
搜索文檔數
五種過濾器
from bs4 import BeautifulSoup html_doc = ‘‘‘<html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"><b>The Dormouse‘s story</b></p> <p class="title"><b>$75</b></p> <p id="meiyuan">啦啦啦啦啦啦</p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p>‘‘‘ soup= BeautifulSoup(html_doc,"lxml") # 1、字符串：特點：是一種完全匹配的 print(soup.find_all(name="a")) #找到所有的a標簽 print(soup.find_all(name="a aa")) #找不到，會打印一個[] print(soup.find_all(attrs={"class":"sister"})) print(soup.find_all(text="The Dormouse‘s story")) #按照文本來找 print(soup.find_all(name="b",text="The Dormouse‘s story")) #找標簽名是b，並且文本是The Dormouse‘s story print(soup.p.find(name="b").text) #第一個p標簽的b裏面的文本 print(soup.find_all(name="p",attrs={"class":"story"})) #找到標簽名是p,屬性名是class, print(soup.find(name="p",attrs={"class":"story"}).find_all(name="a")[2]) #找到標簽名是p,屬性名是class的第二個a標簽 # 2、正則 import re print(soup.find_all(name=re.compile("^b"))) #找b開頭的的標簽 print(soup.find_all(attrs={"id":re.compile("link")})) #找到id屬性是link的 print(soup.find_all(text=re.compile(r"\$"))) #找帶有$價錢的文本 # # # 3、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. print(soup.find_all(name=["a",re.compile("^b")])) #找a標簽或者b標簽開頭的所有的標簽 print(soup.find_all(text=["$",])) #找不到 print(soup.find_all(text=[re.compile(r"\$")])) #[‘$75‘] print(soup.find_all(text=["a",re.compile(r"\$")])) # # 4、True：可以匹配任何值 print(soup.find_all(name=True)) #找到所有標簽的標簽名 print(soup.find_all(attrs={"id":True}))#找到只要有id屬性的 # print(soup.find_all(name="p",attrs={"id":True}))# 找到有id屬性的p標簽 # 5、方法：如果沒有合適過濾器,那麽還可以定義一個方法,方法只接受一個元素參數 ,如果這個方法返回 True 表示當前元素匹配並且被找到,如果不是則反回 False # # # 有class屬性沒有id屬性的 def has_class_not_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) # return tag.has_attr(‘id‘) and not tag.has_attr(‘class‘) # return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id") # # #只找a標簽 print(soup.find_all(has_class_not_id)) #默認是按照標簽來找的 print(soup.find_all(name="a",limit=2))#找所有的a標簽，只找前兩個 print(soup.body.find_all(attrs={"class":"sister"},recursive=False))#找屬性為sister的 print(soup.html.find_all(‘a‘)) print(soup.html.find_all(‘a‘,recursive=False)) # recursive = True #從子子孫孫都找到了 # recursive = False #如果只想搜索tag的直接子節點（就不往裏面找了）,可以使用參數 recursive=False . # **kwargs print(soup.find_all(attrs={"class":"sister"})) print(soup.find_all(class_="sister")) #這兩個是一樣的 print(soup.find_all(attrs={"id":"link3"})) #這兩個是一樣的，只是表示方式不一樣 print(soup.find_all(id="link3"))
find_all
find_all( name , attrs , recursive , text , **kwargs )
#2、find_all( name , attrs , recursive , text , **kwargs ) #2.1、name: 搜索name參數的值可以使任一類型的 過濾器 ,字符竄,正則表達式,列表,方法或是 True . print(soup.find_all(name=re.compile(‘^t‘))) #2.2、keyword: key=value的形式，value可以是過濾器：字符串 , 正則表達式 , 列表, True . print(soup.find_all(id=re.compile(‘my‘))) print(soup.find_all(href=re.compile(‘lacie‘),id=re.compile(‘\d‘))) #註意類要用class_ print(soup.find_all(id=True)) #查找有id屬性的標簽 # 有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性: data_soup = BeautifulSoup(‘<div data-foo="value">foo!</div>‘,‘lxml‘) # data_soup.find_all(data-foo="value") #報錯：SyntaxError: keyword can‘t be an expression # 但是可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag: print(data_soup.find_all(attrs={"data-foo": "value"})) # [<div data-foo="value">foo!</div>] #2.3、按照類名查找，註意關鍵字是class_，class_=value,value可以是五種選擇器之一 print(soup.find_all(‘a‘,class_=‘sister‘)) #查找類為sister的a標簽 print(soup.find_all(‘a‘,class_=‘sister ssss‘)) #查找類為sister和sss的a標簽，順序錯誤也匹配不成功 print(soup.find_all(class_=re.compile(‘^sis‘))) #查找類為sister的所有標簽 #2.4、attrs print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘})) #2.5、text: 值可以是：字符，列表，True，正則 print(soup.find_all(text=‘Elsie‘)) print(soup.find_all(‘a‘,text=‘Elsie‘)) #2.6、limit參數:如果文檔樹很大那麽搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果 print(soup.find_all(‘a‘,limit=2)) #2.7、recursive:調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False . print(soup.html.find_all(‘a‘)) print(soup.html.find_all(‘a‘,recursive=False)) ‘‘‘ 像調用 find_all() 一樣調用tag find_all() 幾乎是Beautiful Soup中最常用的搜索方法,所以我們定義了它的簡寫方法. BeautifulSoup 對象和 tag 對象可以被當作一個方法來使用,這個方法的執行結果與調用這個對象的 find_all() 方法相同,下面兩行代碼是等價的: soup.find_all("a") soup("a") 這兩行代碼也是等價的: soup.title.find_all(text=True) soup.title(text=True) ‘‘‘
find
find( name , attrs , recursive , text , **kwargs )
#3、find( name , attrs , recursive , text , **kwargs ) find_all() 方法將返回文檔中符合條件的所有tag,盡管有時候我們只想得到一個結果.比如文檔中只有一個<body>標簽,那麽使用 find_all() 方法來查找<body>標簽就不太合適, 使用 find_all 方法並設置 limit=1 參數不如直接使用 find() 方法.下面兩行代碼是等價的: soup.find_all(‘title‘, limit=1) # [<title>The Dormouse‘s story</title>] soup.find(‘title‘) # <title>The Dormouse‘s story</title> 唯一的區別是 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 . print(soup.find("nosuchtag")) # None soup.head.title 是 tag的名字 方法的簡寫.這個簡寫的原理就是多次調用當前tag的 find() 方法: soup.head.title # <title>The Dormouse‘s story</title> soup.find("head").find("title") # <title>The Dormouse‘s story</title>
CSS選擇器
#該模塊提供了select方法來支持css,詳見官網:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37 html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"> <b>The Dormouse‘s story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>; <div class=‘panel-1‘> <ul class=‘list‘ id=‘list-1‘> <li class=‘element‘>Foo</li> <li class=‘element‘>Bar</li> <li class=‘element‘>Jay</li> </ul> <ul class=‘list list-small‘ id=‘list-2‘> <li class=‘element‘><h1 class=‘yyyy‘>Foo</h1></li> <li class=‘element xxx‘>Bar</li> <li class=‘element‘>Jay</li> </ul> </div> and they lived at the bottom of a well. </p> <p class="story">...</p> """ from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) #1、CSS選擇器 print(soup.p.select(‘.sister‘)) print(soup.select(‘.sister span‘)) print(soup.select(‘#link1‘)) print(soup.select(‘#link1 span‘)) print(soup.select(‘#list-2 .element.xxx‘)) print(soup.select(‘#list-2‘)[0].select(‘.element‘)) #可以一直select,但其實沒必要,一條select就可以了 # 2、獲取屬性 print(soup.select(‘#list-2 h1‘)[0].attrs) # 3、獲取內容 print(soup.select(‘#list-2 h1‘)[0].get_text())
其他方法
官網查看
修改文檔樹
官網查看
總結
1、推薦使用lxml解析庫
2、三種選擇器: 標簽選擇器, find與find_all，css選擇器
1、標簽選擇器篩選功能弱,但是速度快
2、建議使用find,find_all查詢匹配單個結果或者多個結果
3、如果對css選擇器非常熟悉建議使用select
3、記住常用的獲取屬性 attrs 和 文本值 get_text() 的方法
爬蟲 BeatifulSoup 模塊