一 Beautifulsoup模块介绍

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

  1. #安装 Beautiful Soup
  2. pip install beautifulsoup4
  4. #安装解析器
  5. 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:
  7. $ apt-get install Python-lxml
  9. $ easy_install lxml
  11. $ pip install lxml
  13. 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:
  15. $ apt-get install Python-html5lib
  17. $ easy_install html5lib
  19. $ 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

注意：

  1. '''
  2. 注意: 使用bs4，必须先选择 “解析器”
  3. '''
  4. from bs4 import BeautifulSoup
  6. #  markup="": 传入解析文本
  7. # BeautifulSoup('解析文本内容', '解析器')
  8. # python自带的解析器 html.parser
  9. # BeautifulSoup('<a>蔡徐坤打篮球真厉害，还会唱歌，跳舞，Rap!!!!</a>', 'html.parser')
  11. # lxml: pip3 install lxml   第三方的解析库(推荐使用)
  12. # soup = BeautifulSoup('<a>蔡徐坤打篮球真厉害，还会唱歌，跳舞，Rap!!!!</a>', 'lxml')
  13. # print(soup)
  14. # print(type(soup))

二、基本使用

  1. from bs4 import BeautifulSoup
  3. html_doc = """
  4. <html><head><title>The Dormouse's story</title></head>
  5. <body>
  6. <p class="title"><b>The Dormouse's story</b></p>
  8. <p class="story">Once upon a time there were three little sisters; and their names were
  9. <a id="tank" href="http://example.com/tank">蔡徐坤打篮球真厉害，还会唱歌，跳舞，Rap!!!!</a>
  10. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  11. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  12. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  14. and they lived at the bottom of a well.</p>
  16. <p class="story">...</p>
  17. """
  19. #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
  20. soup = BeautifulSoup(html_doc, 'lxml')
  21. print(soup)
  22. # html文本美化   了解
  23. print(soup.prettify())

三、遍历文档树

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. html_doc = """
  2. <html><head><title>The Dormouse's story</title></head>
  3. <body>
  4. <p class="title"><b>The Dormouse's story</b></p>
  6. <p class="story">Once upon a time there were three little sisters; and their names were
  7. <a id="cxk" href="http://example.com/cxk">蔡徐坤打篮球真厉害，还会唱歌，跳舞，Rap!!!!</a>
  8. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  9. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  10. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  12. and they lived at the bottom of a well.</p>
  14. <p class="story">...</p>
  15. """
  16. from bs4 import BeautifulSoup
  17. soup = BeautifulSoup(html_doc, 'lxml')
  19. # 基本用法
  20. # 1、直接.标签名 （*******）
  21. print(soup)
  22. print(soup.head)
  23. print(soup.a)  # 返回第一个a标签
  25. # 2、获取标签的名称  了解
  26. print(soup.p.name)
  28. # 3、获取标签的属性 (*********)
  29. print(soup.a.attrs)   # 第一个a标签的所有属性
  30. print(type(soup.a.attrs))  # 返回所有标签属性的类型 dict
  31. print(soup.a.attrs.get('id')) # dict类型可以get取值
  32. print(soup.a.attrs.get('href'))
  34. # 4、获取标签的文本内容
  35. # 获取第一个a标签中的文本内容
  36. print(soup.a.text)
  38. # 5、嵌套选择
  39. # xml
  40. '''
  41. <info>  # 父标签
  42.     <name>cxk</name>
  43.     <gf>刘亦菲</gf>
  44. </info>
  45. '''
  46. print(soup.prettify())
  47. print(type(soup.html))  # 可以嵌套选择。
  48. print(type(soup.html.head.title))
  49. print(soup.html.head.title)
  51. # 6、子节点、子孙节点
  52. print(soup)  # 注意: 换行符也算一个 节点
  53. print(soup.body.contents)  # body下所有子节点，返回的是一个列表
  54. print(len(soup.body.contents))  # body下所有子节点
  56. # 优先使用children
  57. print(soup.body.children)  # 得到一个迭代器,包含p下所有子节点
  58. print(list(soup.body.children))  # 得到一个迭代器,包含p下所有子节点
  59. for children in soup.body.children:
  60.     print(children)
  62. # 7、父节点、祖先节点
  63. # print(soup)
  64. # print(soup.a.parent)  # 获取a标签的父节点
  65. 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...  它也是一个迭代器
  66. 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...
  67. print(len(list(soup.a.parents)))  # 4
  69. # 8、兄弟节点
  70. # print(soup)
  71. # print('=====>')
  72. print(soup.a.next_sibling)  # 下一个兄弟
  73. print(soup.a.previous_sibling)  # 上一个兄弟
  75. print(list(soup.a.next_siblings)) # 下面的兄弟们(下面的所有兄弟)=>生成器对象
  76. print(len(list(soup.a.next_siblings)))  # 7 内容也算是
  77. print(soup.a.previous_siblings)  # 上面的兄弟们=>生成器对象
  78. print(list(soup.a.previous_siblings))  # 上面的兄弟们=>生成器对象

四、搜索文档树之五种过滤器

标签查找与属性查找:

  1.  - 根据标签查找属性:
  2.         # 查找第一个标签
  3.         - soup.find(
  4.             name 属性匹配
  5.             attrs 属性查找匹配
  6.             text 文本匹配
  7.         )
  8.          - 查找第一个a标签
  9.              # 根据name中的字符串，与attrs中class属性值匹配对应的第一个a标签
  10.            soup.find(
  11.                   name='a',
  12.                   attrs={'class': '属性值'}
  13.                 )
  15.         # 查找所有标签
  16.         - soup.find_all()

find_all( name , attrs , recursive , text , **kwargs )

  1. #2、find_all( name , attrs , recursive , text , **kwargs )
  2. #2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
  3. print(soup.find_all(name=re.compile('^t')))
  5. #2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
  6. print(soup.find_all(id=re.compile('my')))
  7. print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
  8. print(soup.find_all(id=True)) #查找有id属性的标签
  10. # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
  11. data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
  12. # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
  13. # 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:
  14. print(data_soup.find_all(attrs={"data-foo": "value"}))
  15. # [<div data-foo="value">foo!</div>]
  17. #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
  18. print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
  19. 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
  20. print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
  22. #2.4、attrs
  23. print(soup.find_all('p',attrs={'class':'story'}))
  25. #2.5、text: 值可以是：字符，列表，True，正则
  26. print(soup.find_all(text='Elsie'))
  27. print(soup.find_all('a',text='Elsie'))
  29. #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
  30. print(soup.find_all('a',limit=2))
  32. #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 .
  33. print(soup.html.find_all('a'))
  34. print(soup.html.find_all('a',recursive=False))
  36. '''
  37. 像调用 find_all() 一样调用tag
  38. 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:
  39. soup.find_all("a")
  40. soup("a")
  41. 这两行代码也是等价的:
  42. soup.title.find_all(text=True)
  43. soup.title(text=True)
  44. '''

**find( name , attrs , recursive , text , **kwargs )

  1. #3、find( name , attrs , recursive , text , **kwargs )
  2. 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:
  4. soup.find_all('title', limit=1)
  5. # [<title>The Dormouse's story</title>]
  6. soup.find('title')
  7. # <title>The Dormouse's story</title>
  9. 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.
  10. 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 .
  11. print(soup.find("nosuchtag"))
  12. # None
  14. 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:
  16. soup.head.title
  17. # <title>The Dormouse's story</title>
  18. soup.find("head").find("title")
  19. # <title>The Dormouse's story</title>

五种过滤器：

  1. - 字符串过滤器   字符串全局匹配
  2.             - name = 'p'
  3.             name 属性匹配
  4.             attrs 属性查找匹配
  5.             text 文本匹配
  7.         - 正则过滤器
  9.             re模块匹配
  10.             - name = re.compile()
  11.             name 属性匹配
  12.             attrs 属性查找匹配
  13.             text 文本匹配
  15.         - 列表过滤器
  16.             列表内的数据匹配
  18.             - name = ['tank', 100]
  19.             name 属性匹配
  20.             attrs 属性查找匹配
  21.             text 文本匹配
  23.         - bool过滤器
  24.             True匹配
  25.             - name = True
  26.             name 属性匹配
  27.             attrs 属性查找匹配
  28.             text 文本匹配
  30.         - 方法过滤器
  31.             用于一些要的属性以及不需要的属性查找。
  32.             - name = func()
  33.             name 属性匹配
  34.             attrs 属性查找匹配
  35.             text 文本匹配
  37.     属性:
  38.         - class_
  39.         - id
  1. from bs4 import BeautifulSoup
  3. html_doc = """
  4. <html><head><title>The Dormouse's story</title></head>
  5. <body>
  6. <p class="title"><b>The Dormouse's story</b></p>
  8. <p class="story">Once upon a time there were three little sisters; and their names were
  9. <a id="cxk" href="http://example.com/cxk">蔡徐坤打篮球真厉害，还会唱歌，跳舞，Rap!!!!</a>
  10. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  11. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  12. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  14. and they lived at the bottom of a well.</p>
  16. <p class="story">...</p>
  17. """
  19. soup = BeautifulSoup(html_doc, 'lxml')

字符串过滤器

  1. # 根据name查找节点标签
  2. a_tag = soup.find(name='a')  # 查找的是第一个a标签
  3. print(a_tag)
  5. # 根据attrs属性查找节点标签
  6. a_tag = soup.find(attrs={"id": "cxk"}) # id=cxk
  7. print(a_tag)
  9. # 根据文本找节点
  10. a_tag = soup.find(text="The Dormouse's story")
  11. print(a_tag)
  13. # name与attrs配合使用
  14. res = soup.find(name='a', attrs={'id': 'link3'})
  15. res = soup.find(name='a', attrs={'id': 'link3'}, text='Tillie')
  16. print(res)

正则过滤器

  1. import re
  2. # # print(soup)
  3. # # 查找class属性值中包含 s的节点  # 选择第一个
  4. res = soup.find(attrs={'class': re.compile('s')})
  5. # # 查找标签名字中包含a的节点  # 选择第一个
  6. res = soup.find(name=re.compile('a'))
  7. print(res)

列表过滤器

  1. # print(soup)
  2. # 获取第一个a标签 或 者p标签的节点
  3. res = soup.find(name=['a', 'p'])
  4. print(res)
  6. # 获取所有的a标签与p标签的节点
  7. res = soup.find_all(name=['a', 'p'])
  8. print(res)

bool过滤器（了解）

  1. print(soup.find_all(True))  # 获取所有为真的标签
  2. for tag in soup.find_all(True):
  3.     print(tag.name)

方法过滤器

  1. # 函数用于判断节点中有class没有id的节点，并将该节点返回
  2. def has_class_but_no_id(tag):
  3.     return tag.has_attr('class') and not tag.has_attr('id')
  5. print(soup.find_all(has_class_but_no_id))

CSS过滤器

  1. print(soup.select('#cxk'))  # 查找id为cxk的节点
  2. print(soup.select('.story')) # 查找类为story的节点

五 修改文档树

链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40

六 总结

  1. # 总结:
  2. #1、推荐使用lxml解析库
  3. #2、讲了三种选择器:标签选择器,find与find_all，css选择器
  4.     1、标签选择器筛选功能弱,但是速度快
  5.     2、建议使用find,find_all查询匹配单个结果或者多个结果
  6.     3、如果对css选择器非常熟悉建议使用select
  7. #3、记住常用的获取属性attrs和文本值get_text()的方法

Python爬虫之Beautifulsoup模块的使用的更多相关文章

  1. 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 ...

  2. Python爬虫之urllib模块2

    Python爬虫之urllib模块2 本文来自网友投稿 作者:PG-55,一个待毕业待就业的二流大学生. 看了一下上一节的反馈,有些同学认为这个没什么意义,也有的同学觉得太简单,关于Beautiful ...

  3. 孤荷凌寒自学python第六十七天初步了解Python爬虫初识requests模块

    孤荷凌寒自学python第六十七天初步了解Python爬虫初识requests模块 (完整学习过程屏幕记录视频地址在文末) 从今天起开始正式学习Python的爬虫. 今天已经初步了解了两个主要的模块: ...

  4. Python爬虫练习(requests模块)

    Python爬虫练习(requests模块) 关注公众号"轻松学编程"了解更多. 一.使用正则表达式解析页面和提取数据 1.爬取动态数据(js格式) 爬取http://fund.e ...

  5. Python爬虫之urllib模块1

    Python爬虫之urllib模块1 本文来自网友投稿.作者PG,一个待毕业待就业二流大学生.玄魂工作室未对该文章内容做任何改变. 因为本人一直对推理悬疑比较感兴趣,所以这次爬取的网站也是平时看一些悬 ...

  6. Python爬虫教程-09-error 模块

    Python爬虫教程-09-error模块 今天的主角是error,爬取的时候,很容易出现错,所以我们要在代码里做一些,常见错误的处,关于urllib.error URLError URLError ...

  7. 使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解（新手必学）

    为大家介绍下Python爬虫库BeautifulSoup遍历文档树并对标签进行操作的详细方法与函数下面就是使用Python爬虫库BeautifulSoup对文档树进行遍历并对标签进行操作的实例,都是最 ...

  8. 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 ...

  9. 【Python爬虫】BeautifulSoup网页解析库

    BeautifulSoup 网页解析库 阅读目录 初识Beautiful Soup Beautiful Soup库的4种解析器 Beautiful Soup类的基本元素 基本使用 标签选择器 节点操作 ...

随机推荐

  1. iOS 设计 用户为王 - 关于征询授权、注册及加载等待的体验优化

    你要做的东西一定要是你无比渴望这世界上能出现的东西,这股热情和能量将会融入到你的应用中,成为它腾飞的初速度,为你带来积极反馈.把自己当做app最重要的用户,这一点非常重要. http://www.co ...

  2. SDUT-3343_数据结构实验之二叉树四：（先序中序）还原二叉树

    数据结构实验之二叉树四:(先序中序)还原二叉树 Time Limit: 1000 ms Memory Limit: 65536 KiB Problem Description 给定一棵二叉树的先序遍历 ...

  3. 2019-2-24-VisualStudio-过滤输出窗口文本

    title author date CreateTime categories VisualStudio 过滤输出窗口文本 lindexi 2019-2-24 11:10:7 +0800 2019-0 ...

  4. PyTorch 学习笔记（四）：权值初始化的十种方法

    pytorch在torch.nn.init中提供了常用的初始化方法函数,这里简单介绍,方便查询使用. 介绍分两部分: 1. Xavier,kaiming系列: 2. 其他方法分布 Xavier初始化方 ...

  5. SuperSocket命令和命令加载器

    关键字: 命令, 命令加载器, 多命令程序集 命令 (Command) SuperSocket 中的命令设计出来是为了处理来自客户端的请求的, 它在业务逻辑处理之中起到了很重要的作用. 命令类必须实现 ...

  6. Pytorch使用GPU

    pytorch如何使用GPU在本文中,我将介绍简单如何使用GPU pytorch是一个非常优秀的深度学习的框架,具有速度快,代码简洁,可读性强的优点. 我们使用pytorch做一个简单的回归. 首先准 ...

  7. H3C PPP MP配置示例一

  8. js(二) 实现省市联动（json）

    通过HTML页面的city的select选取的value值,从json里面获取相对应的键值对,最后将值拼接到下拉框中 function x1(th) { //通过传入的th的value获取相对应的ci ...

  9. Vue 语法的一些小问题

    设置 sty行内样式 :style="{width:mapWidth,height:mapHeight}" This指向   axios 使用axios 的时候 ,在生命周期函数  ...

  10. 安装 NodeJ Koa2、3 + 独立插件 cli脚手架 npm cnpm Vue

    安装  NodeJ  npm  cnpm   Koa2.3 + 独立插件  cli脚手架    Vue 安装 在 这里写过了  这两个分开了写  Nodej:下载 node.js  安装  10.0版 ...