beautifulsoup教程

BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据，Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。

一、BeautifulSoup4简介
BeautifulSoup4和 lxml 一样，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。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

二、BeautifulSoup4主要解析器，以及优缺点：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8f6XgNXi-1598587320926)(beautifulsoup%E6%95%99%E7%A8%8B/4CD4F032-4D45-4F82-8C15-0C791A2C34CA.png)]

三、BeautifulSoup4简单使用
假设有这样一个Html，具体内容如下：

    1.  <!DOCTYPE html>

    2.  <html>

    3.

    4.  <head>

    5.      <meta content="text/html;charset=utf-8" http-equiv="content-type" />

    6.      <meta content="IE=Edge" http-equiv="X-UA-Compatible" />

    7.      <meta content="always" name="referrer" />

    8.      <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />

    9.      <title>百度一下，你就知道 </title>

    10. </head>

    11.

    12. <body link="#0000cc">

    13.   <div id="wrapper">

    14.     <div id="head">

    15.         <div class="head_wrapper">

    16.           <div id="u1">

    17.             <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>

    18.             <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>

    19.             <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>

    20.             <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>

    21.             <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>

    22.             <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>

    23.           </div>

    24.         </div>

    25.     </div>

    26.   </div>

    27. </body>

    28.

    29. </html>

创建beautifulsoup4对象：

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.  bs = BeautifulSoup(html,"html.parser") # 缩进格式

    5.

    6.  print(bs.prettify()) # 获取title标签的所有内容

    7.  print(bs.title) # 获取title标签的名称

    8.  print(bs.title.name) # 获取title标签的文本内容

    9.  print(bs.title.string) # 获取head标签的所有内容

    10. print(bs.head) # 获取第一个div标签中的所有内容

    11. print(bs.div) # 获取第一个div标签的id的值

    12. print(bs.div["id"]) # 获取第一个a标签中的所有内容

    13. print(bs.a) # 获取所有的a标签中的所有内容

    14. print(bs.find_all("a")) # 获取id="u1"

    15. print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值

    16.

    17. for item in bs.find_all("a"):

    18.     print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值

    19.

    20. for item in bs.find_all("a"):

    21.     print(item.get_text())

四、BeautifulSoup4四大对象种类
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

Tag
NavigableString
BeautifulSoup
Comment
4.1 、Tag
Tag通俗点讲就是HTML中的一个个标签，例如：

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.  bs = BeautifulSoup(html,"html.parser")

    5.

    6.  # 获取title标签的所有内容

    7.  print(bs.title)

    8.

    9.  # 获取head标签的所有内容

    10. print(bs.head)

    11.

    12. # 获取第一个a标签的所有内容

    13. print(bs.a)

    14.

    15. # 类型

    16. print(type(bs.a))

我们可以利用 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。但是注意，它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.  bs = BeautifulSoup(html,"html.parser")

    5.

    6.  # [document] #bs 对象本身比较特殊，它的 name 即为 [document]

    7.  print(bs.name)

    8.

    9.  # head #对于其他内部标签，输出的值便为标签本身的名称

    10. print(bs.head.name)

    11.

    12. # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。

    13. print(bs.a.attrs)

    14.

    15. #还可以利用get方法，传入属性的名称，二者是等价的

    16. print(bs.a['class']) # 等价 bs.a.get('class')

    17.

    18. # 可以对这些属性和内容等等进行修改

    19. bs.a['class'] = "newClass"

    20. print(bs.a)

    21.

    22. # 还可以对这个属性进行删除

    23. del bs.a['class']

    24. print(bs.a)

4.2、NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.

    5.  bs = BeautifulSoup(html,"html.parser")

    6.

    7.  print(bs.title.string)

    8.  print(type(bs.title.string))

4.3、BeautifulSoup
BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.

    5.  bs = BeautifulSoup(html,"html.parser")

    6.

    7.  print(type(bs.name))

    8.  print(bs.name)

    9.  print(bs.attrs)

4.4、Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.

    5.  bs = BeautifulSoup(html,"html.parser")

    6.  print(bs.a)

    7.  # 此时不能出现空格和换行符，a标签如下：

    8.  # <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>

    9.

    10. print(bs.a.string) # 新闻

    11.

    12. print(type(bs.a.string)) # <class 'bs4.element.Comment'>

五、遍历文档树
5.1、.contents：
获取Tag的所有子节点，返回一个list

    1.  # tag的.content 属性可以将tag的子节点以列表的方式输出

    2.  print(bs.head.contents)

    3.

    4.  # 用列表索引来获取它的某一个元素

    5.  print(bs.head.contents[1])

5.2、.children：
获取Tag的所有子节点，返回一个生成器

    1.  for child in  bs.body.children:

    2.      print(child)

5.3、.descendants：获取Tag的所有子孙节点
5.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
5.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
5.6、.parent：获取Tag的父节点
5.7、.parents：递归得到父辈元素的所有节点，返回一个生成器
5.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
5.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
5.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
5.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
5.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
5.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
5.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容
5.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容
5.16、.has_attr：判断Tag是否包含属性

六、搜索文档树
6.1、find_all(name, attrs, recursive, text, **kwargs)
在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容

    1.  a_list = bs.find_all("a")

    2.  print(a_list)

正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

    1.  from bs4 import BeautifulSoup

    2.  import re

    3.  file = open('./aa.html', 'rb')

    4.  html = file.read()

    5.

    6.  bs = BeautifulSoup(html,"html.parser")

    7.

    8.  t_list = bs.find_all(re.compile("a"))

    9.  for item in t_list:

    10.    print(item)

列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

    1.  t_list = bs.find_all(["meta","link"])

    2.  for item in t_list:

    3.      print(item)

方法：传入一个方法，根据方法来匹配

    1.  from bs4 import BeautifulSoup

    2.  file = open('./aa.html', 'rb')

    3.  html = file.read()

    4.

    5.  bs = BeautifulSoup(html,"html.parser")

    6.

    7.  def name_is_exists(tag):

    8.      return tag.has_attr("name")

    9.

    10. t_list = bs.find_all(name_is_exists)

    11. for item in t_list:

    12.     print(item)

（2）kwargs参数：

    1.  from bs4 import BeautifulSoup

    2.  import re

    3.  file = open('./aa.html', 'rb')

    4.  html = file.read()

    5.

    6.  bs = BeautifulSoup(html,"html.parser")

    7.

    8.  # 查询id=head的Tag

    9.  t_list = bs.find_all(id="head") print(t_list)

    10.

    11. # 查询href属性包含ss1.bdstatic.com的Tag

    12. t_list = bs.find_all(href=re.compile("http://news.baidu.com"))

    13. print(t_list)

    14.

    15. # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)

    16. t_list = bs.find_all(class_=True)

    17. for item in t_list:

    18.     print(item)

（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性:

t_list = bs.find_all(data-foo="value")

如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

    1.  t_list = bs.find_all(attrs={"data-foo":"value"})

    2.  for item in t_list:

    3.      print(item)

（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受字符串，正则表达式，列表

    1.  from bs4 import BeautifulSoup

    2.  import re

    3.  file = open('./aa.html', 'rb')

    4.  html = file.read()

    5.

    6.  bs = BeautifulSoup(html, "html.parser")

    7.

    8.  t_list = bs.find_all(attrs={"data-foo": "value"})

    9.  for item in t_list:

    10.     print(item)

    11.

    12. t_list = bs.find_all(text="hao123")

    13. for item in t_list:

    14.     print(item)

    15.

    16. t_list = bs.find_all(text=["hao123", "地图", "贴吧"])

    17. for item in t_list:

    18.     print(item)

    19.

    20. t_list = bs.find_all(text=re.compile("\d"))

    21. for item in t_list:

    22.     print(item)

当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：

    1.  def length_is_two(text):

    2.      return text and len(text) == 2

    3.

    4.  t_list = bs.find_all(text=length_is_two)

    5.  for item in t_list:

    6.      print(item)

（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据

    1.  from bs4 import BeautifulSoup

    2.  import re

    3.  file = open('./aa.html', 'rb')

    4.  html = file.read()

    5.

    6.  bs = BeautifulSoup(html, "html.parser")

    7.

    8.  t_list = bs.find_all("a",limit=2)

    9.  for item in t_list:

    10.     print(item)

find_all除了上面一些常规的写法，还可以对其进行一些简写：

    1.  # 两者是相等的

    2.  # t_list = bs.find_all("a") => t_list = bs("a")

    3.  t_list = bs("a") # 两者是相等的

    4.  # t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻")

    5.  t_list = bs.a(text="新闻")

6.2、find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。

    1.  from bs4 import BeautifulSoup

    2.  import re

    3.  file = open('./aa.html', 'rb')

    4.  html = file.read()

    5.

    6.  bs = BeautifulSoup(html, "html.parser")

    7.

    8.  # 返回只有一个结果的列表

    9.  t_list = bs.find_all("title",limit=1)

    10. print(t_list)

    11.

    12. # 返回唯一值

    13. t = bs.find("title")

    14. print(t)

    15.

    16. # 如果没有找到，则返回None

    17. t = bs.find("abc") print(t)

从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但
是如果未搜索到值时，将返回一个None

在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，
我们可以这样：

    1.  t = bs.div.div

    2.

    3.  # 等价于

    4.  t = bs.find("div").find("div")

七、CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:
7.1、通过标签名查找

    1.  print(bs.select('title'))

    2.

    3.  print(bs.select('a'))

7.2、通过类名查找

    1.  print(bs.select('.mnav'))

7.3、通过id查找

    1.  print(bs.select('#u1'))

7.4、组合查找

    1.  print(bs.select('div .bri'))

7.5、属性查找

    1.  print(bs.select('a[class="bri"]'))

    2.  print(bs.select('a[href="http://tieba.baidu.com"]'))

7.6、直接子标签查找

    1.  t_list = bs.select("head > title")

    2.  print(t_list)

7.7、兄弟节点标签查找

    1.  t_list = bs.select(".mnav ~ .bri")

    2.  print(t_list)

7.8、获取内容

    1.  t_list = bs.select("title")

    2.  print(bs.select('title')[0].get_text())

beautifulsoup教程的更多相关文章

Python爬虫——用BeautifulSoup、python-docx爬取廖雪峰大大的教程为word文档
版权声明:本文为博主原创文章,欢迎转载,并请注明出处.联系方式:460356155@qq.com 廖雪峰大大贡献的教程写的不错,写了个爬虫把教程保存为word文件,供大家方便下载学习:http://p ...
利用requests和BeautifulSoup爬取菜鸟教程的代码与图片并保存为markdown格式
还是设计模式的开卷考试,我想要多准备一点资料,于是写了个爬虫爬取代码与图片,有巧妙地进行格式化进一步处理,最终变为了markdown的格式 import requests from bs4 impor ...
Python爬虫小白入门（三）BeautifulSoup库
# 一.前言 *** 上一篇演示了如何使用requests模块向网站发送http请求,获取到网页的HTML数据.这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据. ...
Dash文档制作教程
前言什么是Dash 面向程序员的文档库(Mac) 代码片段管理工具这是强烈推荐给每天在各种API文档中摸爬滚打的程序员们的神器. 为什么要自己制作文档官方的源中没有相关文档文档在离线下体验更好 ...
Beautiful Soup教程转
Python中使用Beautiful Soup库的超详细教程转 http://www.jb51.net/article/65287.htm 作者:崔庆才字体:[增加减小] 类型:转载时间:20 ...
从零开始学数据分析，什么程度可以找到工作？（内附20G、5000分钟数据分析工具教程大合集）
从零开始学数据分析,什么程度可以找到工作?( 内附20G.5000分钟数据分析工具教程大合集 ) 我现在在Coursera上面学data science 中的R programming,过去很少接 ...
爬虫：把廖雪峰的教程转换成 PDF 电子书
写爬虫似乎没有比用 Python 更合适了,Python 社区提供的爬虫工具多得让你眼花缭乱,各种拿来就可以直接用的 library 分分钟就可以写出一个爬虫出来,今天就琢磨着写一个爬虫,将廖雪峰的 ...
用 BeautifulSoup爬取58商品信息
最近对Python爬虫比较迷恋,看了些爬虫相关的教程于是乎跟着一起爬取了58上面的一些商品信息,并存入到xlsx文件中,并通过xlsxwirter的方法给表格设置了一些格式.好了,直接贴代码吧~ # ...
Python NLP入门教程
本文简要介绍Python自然语言处理(NLP),使用Python的NLTK库.NLTK是Python的自然语言处理工具包,在NLP领域中,最常使用的一个Python库. 什么是NLP? 简单来说,自然 ...

随机推荐

NMS系列
NMS soft NMS softer NMS https://www.cnblogs.com/VincentLee/p/12579756.html
Vulnhub靶场-Me and my girlfriend 学习笔记
靶机下载地址:https://www.vulnhub.com/entry/me-and-my-girlfriend-1,409/ Description: This VM tells us that ...
C#LeetCode刷题-深度优先搜索
深度优先搜索篇 # 题名刷题通过率难度 98 验证二叉搜索树 22.2% 中等 99 恢复二叉搜索树 45.1% 困难 100 相同的树 48.1% 简单 101 对称二叉树 4 ...
【趣味设计模式系列】之【代理模式2--JDK动态代理源码解析】
1. 图解上图主要描述了JDK动态代理的执行过程,下面做详细分析. 2. Proxy源码分析上一篇,在使用JDK动态代理的时候,借助于Proxy类,使用newProxyInstance静态方法,创 ...
excel如何复制筛选内容
https://jingyan.baidu.com/article/ca00d56c75b7e5e99eebcf3c.html
eclipse中点击pre-commit Request to ReviewBoard，预提交框不显示问题
需要设置:
WIN10家庭版安装ORACLE的问题
第一次安装成功后可启动ORACLE服务,重启计算机后服务监听无法启动,建议替换系统
Linux命令--vi/vim复制一行，粘贴
在光标的位置按“yy”,复制当前行: 然后再光标的行按“p”,粘贴到下一行,原来的往下顺移
Linux 资源监控与性能测试
综合管理 glances 系统情况监控 vmstat 能看到上下文切换,runnable进程个数,uninterrupted进程个数磁盘IO iostat是磁盘级别监控,iotop进程级别监控,注意 ...
循序渐进VUE+Element 前端应用开发(19）--- 后端查询接口和Vue前端的整合
循序渐进VUE+Element 前端应用开发的系列文章中,前面介绍了系统各个功能的处理实现,本篇随笔从一个主线上介绍前后端开发的整合,让我们从ABP框架后端的查询接口的处理,前端API接口调用的封装, ...

beautifulsoup教程

beautifulsoup教程

beautifulsoup教程的更多相关文章

随机推荐

热门专题