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