Python 爬虫三 beautifulsoup模块

beautifulsoup模块

BeautifulSoup模块

BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。

安装：

pip install beautifulsoup4

在python自动化模块对bs已经简单介绍了。这里直接看快速使用：

import requests

from bs4 import BeautifulSoup

import os

response = requests.get(  # get请求

    url='https://www.autohome.com.cn/news/'

)

response.encoding = response.apparent_encoding  # 使用默认的编码原则

soup = BeautifulSoup(response.text, features='html.parser')  # 实例化soup对象的两种参数方式

# soup = BeautifulSoup(response.text, features='lxml')

# print(response.text)

target = soup.find(id='auto-channel-lazyload-article')  # 取指定id的对象

# obj = target.find('li')  # 找到第一个li

li_list = target.find_all('li')  # 找到所有的li, 是一个列表，里面是bs对象

for i in li_list:  # 遍历li的列表内对象

    a = i.find('a')

    if a:

        # print(a.attrs)  # {'href': '//www.autohome.com.cn/news/201807/919525.html#pvareaid=102624'}

        # print(a.attrs.get('href'))

        # txt = a.find('h3')  # 本质上是对象，但是打印出来是字符串

        txt = a.find('h3').txt  # 提取内部字符串

        print(txt)

        img_url = a.find('img').attrs.get('src')

        img_url = img_url.strip('//')  # src ==> //www.autohome.com.cn/**********/***.jpg

        print(img_url)

        img_type = img_url.split('.')[-1]

        print(img_type)

        img_response = requests.get(url='http://' + img_url)  # 对于img的路径再次发送get请求

        import uuid

        with open(os.path.join('file', str(uuid.uuid4()) + '.' + img_type), 'wb') as f:

            f.write(img_response.content)  #  二进制文件写入文件句柄内

此段代码，定向的抓去了目的div的内部a标签的资源，循环发送get请求抓去处图片保存到了本地：

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，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，推荐安装。

下面是常见解析器：

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.

基本使用

在快速使用中我们添加如下代码：
print(soup.title)
print(type(soup.title))
print(soup.head)
print(soup.p)

通过这种soup.标签名我们就可以获得这个标签的内容
这里有个问题需要注意，通过这种方式获取标签，如果文档中有多个这样的标签，返回的结果是第一个标签的内容，如上面我们通过soup.p获取p标签，而文档中有多个p标签，但是只返回了第一个p标签内容

使用示例：

from bs4 import BeautifulSoup

html_doc = """

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

<body>

    ...

</body>

</html>

"""

soup = BeautifulSoup(html_doc, features="lxml")

1、标签名称

tag = soup.find('a')

name = tag.name # 获取

print(name)

tag.name = 'span' # 设置

print(soup)

2、标签属性

tag = soup.find('a')

attrs = tag.attrs    # 获取

print(attrs)

tag.attrs = {'ik':123} # 设置

tag.attrs['id'] = 'iiiii' # 设置

print(soup)

3、字标签

body = soup.find('body')

v = body.children

4、所有子孙标签

body = soup.find('body')

v = body.descendants

5、clear、将标签的所有子标签全部清空（保留标签名）

tag = soup.find('body')

tag.clear()

print(soup)

6、decompose、递归的删除所有标签

body = soup.find('body')

body.decompose()

print(soup)

7、extract、递归的删除所有的标签，并获取删除的标签对象

body = soup.find('body')

v = body.extract()

print(soup)

8、decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）

body = soup.find('body')

v = body.decode()

v = body.decode_contents()

print(v)

9、encode,转换为字节（含当前标签）；encode_contents（不含当前标签）

body = soup.find('body')

v = body.encode()

v = body.encode_contents()

print(v)

10、find,获取匹配的第一个标签

tag = soup.find('a')

print(tag)

tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

print(tag)

11、find_all,获取匹配的所有标签

 # tags = soup.find_all('a')

 # print(tags)

 # tags = soup.find_all('a',limit=1)

 # print(tags)

 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

 # print(tags)

 # ####### 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]))

 # v = soup.find_all(id=['link1','link2'])

 # print(v)

 # v = soup.find_all(href=['link1','link2'])

 # print(v)

 # ####### 正则 #######

 import re

 # rep = re.compile('p')

 # rep = re.compile('^p')

 # v = soup.find_all(name=rep)

 # print(v)

 # rep = re.compile('sister.*')

 # v = soup.find_all(class_=rep)

 # print(v)

 # rep = re.compile('http://www.oldboy.com/static/.*')

 # v = soup.find_all(href=rep)

 # print(v)

 # ####### 方法筛选 #######

 # def func(tag):

 # return tag.has_attr('class') and tag.has_attr('id')

 # v = soup.find_all(name=func)

 # print(v)

 # ## get,获取标签属性

 # tag = soup.find('a')

 # v = tag.get('id')

 # print(v)

12、has_attr,检查标签是否具有该属性

tag = soup.find('a')

v = tag.has_attr('id')

print(v)

13、get_text,获取标签内部文本内容

tag = soup.find('a')

v = tag.get_text('id')

print(v)

14、index,检查标签在某标签中的索引位置

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)

15、is_empty_element,是否是空标签(是否可以是空)或者自闭合标签

# 判断是否是如下标签：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

tag = soup.find('br')

v = tag.is_empty_element

print(v)

16、当前的关联标签

soup.next  # 不跳过内容

soup.next_element  # 只找下一个对象，标签对象

soup.next_elements

soup.next_sibling

soup.next_siblings

tag.previous

tag.previous_element

tag.previous_elements

tag.previous_sibling

tag.previous_siblings

tag.parent

tag.parents

17、查找某标签的关联标签

tag.find_next(...)  # 参数跟find、 find_all一样

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(...)

# 参数同find_all

18. select,select_one, CSS选择器

soup.select("title")

soup.select("p nth-of-type(3)")

soup.select("body a")

soup.select("html head title")

tag = soup.select("span,a")

soup.select("head > title")

soup.select("p > a")

soup.select("p > a:nth-of-type(2)")

soup.select("p > #link1")

soup.select("body > a")

soup.select("#link1 ~ .sister")

soup.select("#link1 + .sister")

soup.select(".sister")

soup.select("[class~=sister]")

soup.select("#link1")

soup.select("a#link2")

soup.select('a[href]')

soup.select('a[href="http://example.com/elsie"]')

soup.select('a[href^="http://example.com/"]')

soup.select('a[href$="tillie"]')

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)

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)

19、标签的内容

tag = soup.find('span')

print(tag.string)          # 获取，可以修改

tag.string = 'new content' # 设置

print(soup)

tag = soup.find('body')

print(tag.string)

tag.string = 'xxx'

print(soup)

tag = soup.find('body')

v = tag.stripped_strings  # 递归内部获取所有标签的文本

print(v)

20、append在当前标签内部追加一个标签

tag = soup.find('body')

tag.append(soup.find('a'))

print(soup)

from bs4.element import Tag

obj = Tag(name='i',attrs={'id': 'it'})

obj.string = '我是一个新来的'

tag = soup.find('body')

tag.append(obj)

print(soup)

21、insert在当前标签内部指定位置插入一个标签

from bs4.element import Tag

obj = Tag(name='i', attrs={'id': 'it'})

obj.string = '我是一个新来的'

tag = soup.find('body')

tag.insert(2, obj)

print(soup)

22、insert_after,insert_before 在当前标签后面或前面插入

from bs4.element import Tag

obj = Tag(name='i', attrs={'id': 'it'})

obj.string = '我是一个新来的'

tag = soup.find('body')

# tag.insert_before(obj)

tag.insert_after(obj)

print(soup)

23、replace_with 在当前标签替换为指定标签

from bs4.element import Tag

obj = Tag(name='i', attrs={'id': 'it'})

obj.string = '我是一个新来的'

tag = soup.find('div')

tag.replace_with(obj)

print(soup)

24、创建标签之间的关系

tag = soup.find('div')

a = soup.find('a')

tag.setup(previous_sibling=a)

print(tag.previous_sibling)  # 只改关联关系，不改变位置

25、wrap，将指定标签把当前标签包裹起来

from bs4.element import Tag

obj1 = Tag(name='div', attrs={'id': 'it'})

obj1.string = '我是一个新来的'

tag = soup.find('a')

v = tag.wrap(obj1)

print(soup)

tag = soup.find('a')

v = tag.wrap(soup.find('p'))

print(soup)

26、unwrap，去掉当前标签，将保留其包裹的标签

tag = soup.find('a')

v = tag.unwrap()

print(soup)

总结

推荐使用lxml解析库，必要时使用html.parser
标签选择筛选功能弱但是速度快
建议使用find()、find_all() 查询匹配单个结果或者多个结果
如果对CSS选择器熟悉建议使用select()
记住常用的获取属性和文本值的方法