Python 爬虫从入门到进阶之路（十二）

之前的文章我们介绍了 re 模块和 lxml 模块来做爬虫，本章我们再来看一个 bs4 模块来做爬虫。

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。

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。

Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。使用 pip 安装即可：pip install beautifulsoup4

官方文档：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

抓取工具	速度	使用难度	安装难度
正则	最快	困难	无（内置）
BeautifulSoup	慢	最简单	简单
lxml	快	简单	一般

首先必须要导入 bs4 库

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 # 打开本地 HTML 文件的方式来创建对象
 # soup = BeautifulSoup(open('index.html'), "lxml")
 
 # 格式化输出 soup 对象的内容
 print(soup.prettify())

运行结果：

 <html>
  <body>
   <div>
    <ul>
     <li class="item-0">
      <a href="link1.html">
       first item
      </a>
     </li>
     <li class="item-1">
      <a href="link2.html">
       second item
      </a>
     </li>
     <li class="item-inactive">
      <a href="link3.html">
       <span class="bold">
        third item
       </span>
      </a>
     </li>
     <li class="item-1">
      <a href="link4.html">
       fourth item
      </a>
     </li>
     <li class="item-0">
      <a href="link5.html">
       fifth item
      </a>
     </li>
    </ul>
   </div>
  </body>
 </html>

四大对象种类

Beautiful Soup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

1. Tag

Tag 通俗点讲就是 HTML 中的一个个标签，例如：

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
 print(soup.a)  # <a href="link1.html">first item</a>
 print(soup.span)  # <span class="bold">third item</span>
 print(soup.p)  # None
 print(type(soup.li))  # <class 'bs4.element.Tag'>

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。如果要查询所有的标签，后面会进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.li.attrs)  # {'class': ['item-0']}
 print(soup.li["class"])  # ['item-0']
 print(soup.li.get('class'))  # ['item-0']
 
 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
 soup.li["class"] = "newClass"  # 可以对这些属性和内容等等进行修改
 print(soup.li)  # <li class="newClass"><a href="link1.html">first item</a></li>
 
 del soup.li['class']  # 还可以对这个属性进行删除
 print(soup.li)  # <li><a href="link1.html">first item</a></li>

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

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.li.string)  # first item
 print(soup.a.string)  # first item
 print(soup.span.string)  # third item
 # print(soup.p.string)  # AttributeError: 'NoneType' object has no attribute 'string'
 print(type(soup.li.string))  # <class 'bs4.element.NavigableString'>

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，以及属性来感受一下

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.name)  # [document]
 print(soup.attrs)  # {}, 文档本身的属性为空
 print(type(soup.name))  # <class 'str'>

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。

 from bs4 import BeautifulSoup
 
 html = """
 <div>
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.a)  # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 print(soup.a.string)  # Elsie
 print(type(soup.a.string))  # <class 'bs4.element.Comment'>

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。

遍历文档树

1. 直接子节点：`.contents` `.children` 属性

.content

tag 的 .content 属性可以将tag的子节点以列表的方式输出，输出方式为列表，我们可以用列表索引来获取它的某一个元素

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.li.contents)  # [<a href="link1.html">first item</a>]
 print(soup.li.contents[0])  # <a href="link1.html">first item</a>

.children

它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 
 print(soup.ul.children)  # <list_iterator object at 0x106388a20>
 for child in  soup.ul.children:
     print(child)

输出结果：

 <li class="item-0"><a href="link1.html">first item</a></li>
 
 <li class="item-1"><a href="link2.html">second item</a></li>
 
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 
 <li class="item-1"><a href="link4.html">fourth item</a></li>
 
 <li class="item-0"><a href="link5.html">fifth item</a></li>

2. 所有子孙节点: `.descendants` 属性

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

 for child in  soup.ul.descendants:
     print(child)

运行结果：

 <li class="item-0"><a href="link1.html">first item</a></li>
 <a href="link1.html">first item</a>
 first item
 
 <li class="item-1"><a href="link2.html">second item</a></li>
 <a href="link2.html">second item</a>
 second item
 
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 <a href="link3.html"><span class="bold">third item</span></a>
 <span class="bold">third item</span>
 third item
 
 <li class="item-1"><a href="link4.html">fourth item</a></li>
 <a href="link4.html">fourth item</a>
 fourth item
 
 <li class="item-0"><a href="link5.html">fifth item</a></li>
 <a href="link5.html">fifth item</a>
 fifth item

搜索文档树

1.`find_all(name, attrs, recursive, text, **kwargs)`

1）name 参数

name 参数可以查找所有名字为 name 的 tag，字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<span>标签:

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 print(soup.find_all('span'))  # [<span class="bold">third item</span>]

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以 s 开头的标签,这表示 <span> 标签都应该被找到

 from bs4 import BeautifulSoup
 import re
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 for tag in soup.find_all(re.compile("^s")):
     print(tag)
 # <span class="bold">third item</span>

C.传列表

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 <span> 标签:

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 print(soup.find_all(["a", "span"]))
 # [<a href="link1.html">first item</a>, <a href="link2.html">second item</a>, <a href="link3.html"><span class="bold">third item</span></a>, <span class="bold">third item</span>, <a href="link4.html">fourth item</a>, <a href="link5.html">fifth item</a>]

2）keyword 参数

 from bs4 import BeautifulSoup
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 print(soup.find_all(href='link1.html'))  # [<a href="link1.html">first item</a>]

3）text 参数

通过 text 参数可以搜搜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

 from bs4 import BeautifulSoup
 import re
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 print(soup.find_all(text="first item"))  # ['first item']
 print(soup.find_all(text=["first item", "second item"]))  # ['first item', 'second item']
 print(soup.find_all(text=re.compile("item")))  # ['first item', 'second item', 'third item', 'fourth item', 'fifth item']

CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.

写 CSS 时，标签名不加任何修饰，类名前加.，id名前加#
在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）通过标签名查找

 from bs4 import BeautifulSoup
 import re
 
 html = """
 <div>
     <ul>
          <li class="item-0"><a href="link1.html">first item</a></li>
          <li class="item-1"><a href="link2.html">second item</a></li>
          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
          <li class="item-1"><a href="link4.html">fourth item</a></li>
          <li class="item-0"><a href="link5.html">fifth item</a></li>
      </ul>
  </div>
 """
 
 # 创建 Beautiful Soup 对象
 soup = BeautifulSoup(html, "lxml")
 print(soup.select('span'))  # [<span class="bold">third item</span>]

（2）通过类名查找

 print(soup.select('.item-0'))
 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]

（3）通过 id 名查找

print(soup.select('#item-0'))  # []

（4）组合查找

 print(soup.select('li.item-0'))
 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]
 print(soup.select('li.item-0>a'))
 # [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

（5）属性查找

 print(soup.select('a[href="link1.html"]'))  # [<a href="link1.html">first item</a>]

(6) 获取内容

 for text in soup.select('li'):
     print(text.get_text())
 """
 first item
 second item
 third item
 fourth item
 fifth item
 """