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

 """

Python 爬虫从入门到进阶之路（十二）的更多相关文章

  1. Python 爬虫从入门到进阶之路（二）

    上一篇文章我们对爬虫有了一个初步认识,本篇文章我们开始学习 Python 爬虫实例. 在 Python 中有很多库可以用来抓取网页,其中内置了 urllib 模块,该模块就能实现我们基本的网页爬取. ...

  2. Python 爬虫从入门到进阶之路（八）

    在之前的文章中我们介绍了一下 requests 模块,今天我们再来看一下 Python 爬虫中的正则表达的使用和 re 模块. 实际上爬虫一共就四个主要步骤: 明确目标 (要知道你准备在哪个范围或者网 ...

  3. Python 爬虫从入门到进阶之路（六）

    在之前的文章中我们介绍了一下 opener 应用中的 ProxyHandler 处理器(代理设置),本篇文章我们再来看一下 opener 中的 Cookie 的使用. Cookie 是指某些网站服务器 ...

  4. Python 爬虫从入门到进阶之路（九）

    之前的文章我们介绍了一下 Python 中的正则表达式和与爬虫正则相关的 re 模块,本章我们就利用正则表达式和 re 模块来做一个案例,爬取<糗事百科>的糗事并存储到本地. 我们要爬取的 ...

  5. Python 爬虫从入门到进阶之路（十五）

    之前的文章我们介绍了一下 Python 的 json 模块,本章我们就介绍一下之前根据 Xpath 模块做的爬取<糗事百科>的糗事进行丰富和完善. 在 Xpath 模块的爬取糗百的案例中我 ...

  6. Python 爬虫从入门到进阶之路（十六）

    之前的文章我们介绍了几种可以爬取网站信息的模块,并根据这些模块爬取了<糗事百科>的糗百内容,本章我们来看一下用于专门爬取网站信息的框架 Scrapy. Scrapy是用纯Python实现一 ...

  7. Python 爬虫从入门到进阶之路（十七）

    在之前的文章中我们介绍了 scrapy 框架并给予 scrapy 框架写了一个爬虫来爬取<糗事百科>的糗事,本章我们继续说一下 scrapy 框架并对之前的糗百爬虫做一下优化和丰富. 在上 ...

  8. Python 爬虫从入门到进阶之路（五）

    在之前的文章中我们带入了 opener 方法,接下来我们看一下 opener 应用中的 ProxyHandler 处理器(代理设置). 使用代理IP,这是爬虫/反爬虫的第二大招,通常也是最好用的. 很 ...

  9. Python 爬虫从入门到进阶之路（七）

    在之前的文章中我们一直用到的库是 urllib.request,该库已经包含了平常我们使用的大多数功能,但是它的 API 使用起来让人感觉不太好,而 Requests 自称 “HTTP for Hum ...

随机推荐

  1. linux的各个子系统

    Linux基本的子系统主要有CPU.Memory.IO.Network. 在这些子系统中,它们之间相互之间高度依赖.不论什么一个子系统的高负载都会引起其它子系统出现故障. 比如: 大量的页调入请求对内 ...

  2. python 教程 第二十一章、 扩展Python

    第二十一章. 扩展Python /* D:\Python27\Lib\Extest-1.0\Extest2.c */ #include <stdio.h> #include <std ...

  3. WPF 呼吸灯特效

    原文:WPF 呼吸灯特效 版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/u014117094/article/details/46738621 pa ...

  4. Hadoop入门实验

    一.实验目的 了解Hadoop的MapeReduce工作原理 二.实验内容 实现基于单机的伪分布式运行模拟 三.实验需要准备的软件和源 1.Jdk1.6以上 下载地址:http://www.oracl ...

  5. Apache Commons Pool 故事一则 专题

    Apache Commons Pool 故事一则 最近工作中遇到一个由于对commons-pool的使用不当而引发的问题,习得正确的使用姿势后,写下这个简单的故事,帮助理解Apache Commons ...

  6. Emgu-WPF学习使用-阈值化

    原文:Emgu-WPF学习使用-阈值化 环境:Win8 64位 Vs2015 Emgu 版本:emgucv-windesktop 3.2.0.2682 上图为常用阈值化处理效果.不同阈值设置可呈现不同 ...

  7. js 超链接点击

    <!DOCTYPE html><html lang="en" xmlns="http://www.w3.org/1999/xhtml"> ...

  8. SQL Server分页存储过程笔记

    USE [database] GO SET ANSI_NULLS ON GO SET QUOTED_IDENTIFIER ON GO ALTER PROCEDURE [dbo].[ProcedureN ...

  9. Android系统adb命令查看CPU与内存使用率

     1. 打开终端,进入上述目录,如下图所示:                                                     2. 输入adb shell,打开adb命令行,如 ...

  10. 解决 ThinkPHP Undefined class constant 'MYSQL_ATTR_INIT_COM

    这是 php.ini 配置所导致: 放开php配置文件中被注释掉的.dll引用即可. extension=php_mysql.dllextension=php_mysqli.dllextension= ...