Spider_Man_4 の BeautifulSoup
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 Beautiful Soup 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") |
|
|
lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
html5lib | BeautifulSoup(markup, "html5lib") |
|
|
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)
三:遍历文档树
遍历文档树:
1. 获取标签名 name
2. 获取标签属性 attrs
3. 获取标签内容 text,string,strings
4. 嵌套选择 soup.head.title.string
5. 子节点,子孙节点
soup.p.contents # p下所有子节点
soup.p.children # 返回一个迭代器,包含p下所有子节点
soup.p.enumerate
soup.p.descendants # 获取子节点,p下所有标签会被选择出来
6. 父节点,祖先节点
soup.a.parent # 获取a标签的父节点
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...
7. 兄弟节点
soup.a.next_sibling # 下一个兄弟
soup.a.previous_silbing # 上一个兄弟
soup.a.next_sibling # 下面的兄弟们 -->生成器对象
soup.a.previous_silbing # 上面的兄弟们 -->生成器对象
#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 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点 from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <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="title"><b>The Dormouse's story</b></p> <p class="story">...</p> """ # 这里使用'lxml'解析器是因为它容错能力强,同时官方也推荐使用lxml解析器。 # 容错能力是指在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,会得到一个 BeautifulSoup对象,并且可以按照标准的缩进格式结构化输出。 soup = BeautifulSoup(html_doc,'lxml') res = soup.prettify() # 自动补齐所有的未闭合标签。 自己会处理好缩进。 # print(res) # 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 # 整个文档中,找到你想要的一个标签。 # print(soup.a) # .的话,是按标签名查找。 只找第一个 # print(soup.a.text) # 文本 # print(soup.a.attrs) # 所有属性,是字典格式 # print(soup.p.b) # p下面的儿子,孙子,重孙子 一层层找,只找一个 # print(soup.p.contents) # 将所有儿子放在一个列表里 # print(soup.p.children) # 生成器 # print(list(soup.p.children)) # print(list(soup.p.descendants)) # 子子孙孙 也是生成器 # # print(soup.a.parent) # 塔爹 # # print(list(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(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,返回的是一个生成器对象 print(list(soup.a.previous_siblings)) # 上面的兄弟们,返回的是一个生成器对象 """ 输出结果: <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> Elsie {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'} None ['Once upon a time there were three little sisters; and their names were\n', <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, ',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.'] <list_iterator object at 0x1025b15c0> ['Once upon a time there were three little sisters; and their names were\n', <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, ',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.'] ['Once upon a time there were three little sisters; and their names were\n', <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 'Elsie', ',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, 'Lacie', ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, 'Tillie', ';\nand they lived at the bottom of a well.'] <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> , Once upon a time there were three little sisters; and their names were [',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.'] ['Once upon a time there were three little sisters; and their names were\n'] """
#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 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点 #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> """ #1、用法 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') # soup=BeautifulSoup(open('a.html'),'lxml') 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 #2、获取标签的名称 print(soup.p.name) #3、获取标签的属性 print(soup.p.attrs) #4、获取标签的内容 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下所有的文本内容 print(soup.p.text) #取到p下所有的文本内容 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> ''' #5、嵌套选择 print(soup.head.title.string) print(soup.body.a.string) #6、子节点、子孙节点 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 for i,child in enumerate(soup.p.children): print(i,child) print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来 for i,child in enumerate(soup.p.descendants): print(i,child) #7、父节点、祖先节点 print(soup.a.parent) #获取a标签的父节点 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... #8、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
code
四:搜索文档树
搜索文档树:
beautifulsoup定义了很多搜索方法,这里着重介绍
find() & find_all() ,其他方法的参数和用法类似
五种过滤器:字符串、正则、正则表达式、列表、True、方法
# 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 import re from bs4 import BeautifulSoup # html_doc = """ # <html><head><title>The Dormouse's story</title></head> # <body> # # <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="title"><b>The Dormouse's story</b></p> # <p class="story">...</p> # """ # # # soup = BeautifulSoup(html_doc,'lxml') # res = soup.prettify() # 一:五种过滤器:字符串,正则表达式,列表,True,方法 # 1:字符串过滤器 # 标签名 # print(soup.find()) # 全部 # soup.find_all(name='a') # 找所有的标签, 使用字符串匹配标签名。 特点:完全匹配 # soup.find_all(attrs={'class':'sister'}) # 找所有的标签, 使用字符串匹配标签名。 特点:完全匹配 # print(soup.find_all(name='b',text="Dormouse")) # 匹配不到,因为text不完整。不能模糊匹配。 # # 2:正则 # soup.find_all(name=re.compile('^b')) # compile 编译 按标签查找 # soup.find_all(attrs={'id':re.compile('link')}) # compile 编译 # 3:列表过滤器列表: 任意一个标签都会返回 # 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'])) # 4:True:可以匹配任何值,会查找到所有的tag,但是不会返回字符串节点。 # print(soup.find_all(True)) # for tag in soup.find_all(True): # print(tag.contents) # print(tag.text) # print(tag) # 5:方法 # 用于没有找到合适过滤器,就可以定义一个方法,方法只接受一个元素参数。 # 如果该方法,返回一个True,表示当前元素被匹配并被找到,如果不是则返回False。 # 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)) """ has_class_but_no_id: [<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="title"><b>The Dormouse's story</b></p>, <p class="story">...</p>] """ # recursive = True # 当前标签下的子子孙孙 # recursive = False # 当前标签下的儿子 # 二:find_all(name,attrs,recursive,text,**kwargs) # 2.1 name参数是可以使用任何一种类型的过滤器,(字符串,True,正则,列表) # print(soup.find_all(name=re.compile('^t'))) # 2.2 keyword:key=value格式, value可以是过滤器(字符串,True,正则,列表)。 # print(soup.find_all(id=re.compile('my'))) # print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_ # print(soup.find_all(id=True)) #查找有id属性的标签 # 2.2.1 注意事项:!! # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性: # data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml') # data_soup.find_all(data-foo="value") #报错:SyntaxError: keyword can't be an expression # 但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag: # print(data_soup.find_all(attrs={"data-foo": "value"})) # [<div data-foo="value">foo!</div>] # 2.3 按照类名查找,注意关键字是class_,class_=value,value可以是五种选择器之一 # print(soup.find_all('a',class_='sister')) #查找类为sister的a标签 # print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签,顺序错误也匹配不成功 # print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签 # 2.4 attrs # print(soup.find_all('p',attrs={'class':'story'})) # 2.5 text: 值可以是:字符,列表,True,正则 # print(soup.find_all(text='Elsie')) # print(soup.find_all('a',text='Elsie')) # # # 2.6 limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果 # print(soup.find_all('a',limit=2)) # # # 2.7 recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False . # print(soup.html.find_all('a')) # print(soup.html.find_all('a',recursive=False)) ''' 像调用 find_all() 一样调用tag find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的: soup.find_all("a") soup("a") 这两行代码也是等价的: soup.title.find_all(text=True) soup.title(text=True) ''' # 三:find(name , attrs , recursive , text , **kwargs) # 你可能会想,既然已经有了find_all()了,我干嘛还要find。 # find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果. # 比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, # 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的: # soup.find_all('title', limit=1) # [<title>The Dormouse's story</title>] # soup.find('title') # <title>The Dormouse's story</title> # 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果. # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None . # print(soup.find("nosuchtag")) # None # soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前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> # 四:css选择器 # 该模块提供了select方法来支持css。 #该模块提供了select方法来支持css, # 详见官网: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') # 4.1 CSS选择器 # print(soup.p.select('.sister')) # 找类名为sister的标签 # print(soup.select('.sister span')) # 找类名为sister的标签下面的span标签 # print(soup.select('#link1')) # 找id为link1的标签 # print(soup.select('#link1 span')) # 找id为link1的标签下面的span标签 # print(soup.select('#list-2 .element.xxx'))# 找id为link-2的标签下面的类名为element xxx的标签 # # print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了 # # # 4.2 获取属性 # print(soup.select('#list-2 h1')[0].attrs) # # # 4.3 获取内容 # print(soup.select('#list-2 h1')[0].get_text()) # 总结: #1、推荐使用lxml解析库 #2、讲了三种选择器:标签选择器,find与find_all,css选择器 # 1、标签选择器筛选功能弱,但是速度快 # 2、建议使用find,find_all查询匹配单个结果或者多个结果 # 3、如果对css选择器非常熟悉建议使用select #3、记住常用的获取属性attrs和文本值get_text()的方法
Spider_Man_4 の BeautifulSoup的更多相关文章
- Spider爬虫 の 事
初识Spider_Man(爬爬虫) Spider_Man_2 の requests模块 Spider_Man_3 の selenium Spider_Man_4 の BeautifulSo ...
- 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. ...
- 使用beautifulsoup与requests爬取数据
1.安装需要的库 bs4 beautifulSoup requests lxml如果使用mongodb存取数据,安装一下pymongo插件 2.常见问题 1> lxml安装问题 如果遇到lxm ...
- BeautifulSoup :功能使用
# -*- coding: utf-8 -*- ''' # Author : Solomon Xie # Usage : 测试BeautifulSoup一些用法及容易出bug的地方 # Envirom ...
- BeautifulSoup研究一
BeautifulSoup的文档见 https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ 其中.contents 会将换行也记录为一个子节 ...
- BeautifulSoup
参考:http://www.freebuf.com/news/special/96763.html 相关资料:http://www.jb51.net/article/65287.htm 1.Pytho ...
- BeautifulSoup Some characters could not be decoded, and were replaced with REPLACEMENT CHARACTER.
BeautifulSoup很赞的东西 最近出现一个问题:Python 3.3 soup=BeautifulSoup(urllib.request.urlopen(url_path),"htm ...
- beautifulSoup(1)
import re from bs4 import BeautifulSoupdoc = ['<html><head><title>Page title</t ...
- python BeautifulSoup模块的简要介绍
常用介绍: pip install beautifulsoup4 # 安装模块 from bs4 import BeautifulSoup # 导入模块 soup = BeautifulSoup(ht ...
随机推荐
- Python练习100则--部分概念的没有做
# coding = utf-8 import math, osfrom random import randint def Binary(): res = int(-1 / 2) res1 = in ...
- vue基础入门
Hello World <body> <!-- 在angularJS中用ng-model --> <!-- {{mseeage?message:11}}支持三元表达式 ...
- Java_Date_01_判断两个时间相差的天数
二.参考资料 1.java 判断两个时间相差的天数 2.java计算两个日期之间相差天数和相隔天数详解
- 在一个终端后台运行的进程在新的终端中使用job不会被发现
我在一个终端后台运行了一个程序.之后由于工作需要又新开了一个新的终端.在新的终端中,我想查看后台程序的运行状态,输入jobs时,发现没有后台任务运行.难道我的程序死掉了?我接着top了下,发现我的后台 ...
- 房上的猫:while循环与do-while循环,debug的调试运用
一.循环结构 1.循环不是无休止进行的,满足一定条件的时候循环才会继续,称为"循环条件",循环条件不满足的时候,循环退出 2.循环结构是反复进行相同的或类似的一系列操作,称为&qu ...
- TPYBoard v102 驱动28BYJ-48步进电机
TPYBoard v102 驱动28BYJ-48步进电机 实验目的 了解步进电机的工作原理 学习步进电机的驱动方法 实验器材 TPYBoard v102 1块 微型步进电机(28BYJ-48) 1个 ...
- Micropython教程之TPYBoardv102 DIY蓝牙智能小车实例
1.实验目的 1.学习在PC机系统中扩展简单I/O接口的方法. 2.进一步学习编制数据输出程序的设计方法. 3.学习蓝牙模块的接线方法及其工作原理. 4.学习L298N电机驱动板模块的接线方法. 5. ...
- 浅谈Vue模板的那些事儿
接触过vue的童鞋都知道,组件的模板一般都是在template选项内定义的,如 Vue.component('child-component', { template: '<h3>我是闰土 ...
- 【二分图裸题】poj1325机器调度
题目大意:有两个机器A和B,A机器有n个模式,B机器有m个模式,两个机器最初在0模式 然后有k个作业,每个作业有三个参数i,a,b i代表作业编号,a和b代表第i作业要么在A机器的a模式下完成[或者] ...
- Java点滴之类与对象
类的概述 Java是一门纯粹的面向对象(OOP)语言,面向对象程序是由多个对象所组成的,而对象的创建又必须依赖于类,那么什么又是类呢?在现实世界中,我们常常将多个具有相同或相似特征的对象分为一类,并冠 ...