Python网络爬虫之BeautifulSoup模块

时间：2023-03-09 00:24:11
Python网络爬虫之BeautifulSoup模块

一.介绍：

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4。安装步骤如下：

#安装 Beautiful Soup  我们在爬虫中一般推荐使用lxml解析器，因为其爬取效率比较高

pip install beautifulsoup4

#安装解析器

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:

$ apt-get install Python-lxml

$ easy_install lxml

$ pip install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

解析器 使用方法 优势 劣势
Python标准库 BeautifulSoup(markup, "html.parser")
  • Python的内置标准库
  • 执行速度适中
  • 文档容错能力强
  • Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器 BeautifulSoup(markup, "lxml")
  • 速度快
  • 文档容错能力强
  • 需要安装C语言库
lxml XML 解析器

BeautifulSoup(markup, ["lxml", "xml"])

BeautifulSoup(markup, "xml")
  • 速度快
  • 唯一支持XML的解析器
  • 需要安装C语言库
html5lib BeautifulSoup(markup, "html5lib")
  • 最好的容错性
  • 以浏览器的方式解析文档
  • 生成HTML5格式的文档
  • 速度慢
  • 不依赖外部扩展

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

二.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：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml') #具有容错功能

res=soup.prettify() #处理好缩进，结构化显示

print(res)

1.通过标签寻定位，如果有多个标签，那么只返回第一个，看下面的例子：

# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

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>

"""

# 、用法

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串

# soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象

print(soup.p)  # 存在多个相同的标签则只返回第一个

print(soup.a)  # 存在多个相同的标签则只返回第一个

打印结果如下：

print(soup.p) 上面有2个p标签，只返回找到的第一个p标签

<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>

print(soup.a)  只返回找到的第一个a标签

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

2.获取标签的属性：

# _*_ coding:utf- _*_

# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

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>111</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>

"""

# 、用法

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串

# # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象

#

# print(soup.p)  # 存在多个相同的标签则只返回第一个

# # print(soup.a)  # 存在多个相同的标签则只返回第一个

#

# # 、获取标签的名称

# print(soup.p.name)  # 打印 p

#

# # 、获取标签的属性

# """

# 打印找到的第一个p标签的属性，属性被封装为字典：  {'class': ['title'], 'id': 'my p'}

# 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>

# """

# print(soup.p.attrs)

# # 、获取标签的内容

"""

表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None

当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>

打印出The Dormouse's story

当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>

</p>

相当于多了一个换行符，那么就打印出None

又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>

此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None

"""

# print(soup.p.string)  # p下的文本只有一个时，取到，否则为None

# print(soup.p.strings)  # 拿到一个生成器对象, 取到p标签下下所有的文本内容

# # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8>

# print(list(soup.p.strings))  # 打印结果: ["The Dormouse's story", '']

"""

查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行：

打印结果如下：

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie

,

Lacie

and

Tillie

;

and they lived at the bottom of a well.

...

"""

# for line in soup.stripped_strings:  # 去掉空白

#     print(line)

'''

如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为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>

'''

接着看下面的：

# _*_ coding:utf- _*_

# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p id="my p" class="title">

    aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd

    <ul>

        spark很重要

        <li>python</li>

    </ul>

</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>

"""

# 、用法

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串

# # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象

#

# print(soup.p)  # 存在多个相同的标签则只返回第一个

# # print(soup.a)  # 存在多个相同的标签则只返回第一个

#

# # 、获取标签的名称

# print(soup.p.name)  # 打印 p

#

# # 、获取标签的属性

# """

# 打印找到的第一个p标签的属性，属性被封装为字典：  {'class': ['title'], 'id': 'my p'}

# 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>

# """

# print(soup.p.attrs)

# # 、获取标签的内容

"""

表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None

当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>

打印出The Dormouse's story

当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>

</p>

相当于多了一个换行符，那么就打印出None

又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>

此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None

"""

# print(soup.p.string)  # p下的文本只有一个时，取到，否则为None

# print(soup.p.strings)  # 拿到一个生成器对象, 取到p标签下下所有的文本内容

# # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8>

# print(list(soup.p.strings))  # 打印结果: ["The Dormouse's story", '']

"""

查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行：

打印结果如下：

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie

,

Lacie

and

Tillie

;

and they lived at the bottom of a well.

...

"""

# for line in soup.stripped_strings:  # 去掉空白

#     print(line)

'''

如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为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>

'''

# 、嵌套选择  打印结果：The Dormouse's story

# print(soup.head.title.string)

# 由于此时有三个a标签，但是这样嵌套寻找只找到第一个，所以只打印出Elsie

# print(soup.body.a.string)

# 、子节点、子孙节点

"""

打印结果如下所示：

[<b class="boldest" id="bbb">The Dormouse's story</b>, '']

可以看到这样也只是定位到第一个p标签：

<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>

相当于打印的就是第一个p标签内部的所有元素，包括子节点和文本，我们再来测试下：

<p id="my p" class="title">

    aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd

    <ul>

        spark很重要

        <li>python</li>

    </ul>

</p>

这是文档中的第一个p标签，那么print(soup.p.contents)的打印结果如下:

['\n    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd\n    ']

可以看到它找到的是第一个子标签和子文本

"""

# print(soup.p.contents) #p下所有子节点

# print(soup.p.children) #得到一个迭代器,包含p下所有子节点

# print(list(soup.p.children))

# <list_iterator object at 0x000001FD6AA47A20>

# ['\n    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd\n    ']

"""

打印结果如下：

    aaa

 <b class="boldest" id="bbb">The Dormouse's story</b>

 ddd

"""

# for i,child in enumerate(soup.p.children):

#     print(i,child)

"""

打印结果如下：

<generator object descendants at 0x0000017D7863F3B8>

['\n    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, "The Dormouse's story", 'ddd\n    ']

"""

# print(soup.p.descendants)  # 获取子孙节点,p下所有的标签都会选择出来

# print(list(soup.p.descendants))

# for i, child in enumerate(soup.p.descendants):

#     print(i, child)

#

# #、父节点、祖先节点

# print(soup.a.parent)  # 获取a标签的父节点，其父节点是p标签，所以打印结果如下：

"""

<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>

"""

# print(soup.a.parents)  # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

# print(list(soup.a.parents))

# 、兄弟节点

# print('=====>')

# print(soup.a.next_sibling) #下一个兄弟

# print(soup.a.previous_sibling) #上一个兄弟

#

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象

print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

继续看bs中的五种过滤器

# _*_ coding:utf- _*_

# 搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似

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>

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

# 、五种过滤器: 字符串、正则表达式、列表、True、方法

# 1.1、字符串：即标签名

# print(soup.find_all('b'))

"""

结果是一个列表：

[<b class="boldest" id="bbb">The Dormouse's story</b>]

"""

# 1.2、正则表达式

import re

#

# print(soup.find_all(re.compile("^b")))  # 找出b开头的标签，结果有body和b标签

"""

打印结果如下：

[<body>

<p class="title" id="my p"><b class="boldest" id="bbb">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>

</body>, <b class="boldest" id="bbb">The Dormouse's story</b>]

"""

#

# # 1.3、列表：如果传入列表参数,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所有<a>标签和<b>标签:

# print(soup.find_all(['a', 'b']))

"""

返回结果仍然是一个列表:

[<b class="boldest" id="bbb">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>]

"""

#

# # 1.4、True：可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

# print(soup.find_all(True))

# 例如我再需要查找到文档中所有包含id的标签：

# print(soup.find_all(id=True))

"""

返回结果如下，是一个列表:

[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>

</p>, <b class="boldest" id="bbb">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>]

"""

"""

找到文档中的所有标签:

"""

# for tag in soup.find_all(True):

#     print(tag.name)

#

#

# # 1.5、方法:如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

"""

下面方法表示寻找到标签中有class属性，但是没有id属性的标签，打印结果如下：

[<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>]

可以看到两个p标签只有class属性，但是没有id属性

"""

def has_class_but_no_id(tag):

    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))

重点方法之find_all( name , attrs , recursive , text , **kwargs )

相关文章