Python 爬虫-BeautifulSoup

2017-07-26 10:10:11

Beautiful Soup可以解析html 和 xml 格式的文件。

Beautiful Soup库是解析、遍历、维护“标签树”的功能库。使用BeautifulSoup库非常简单，只需要两行代码，就可以完成BeautifulSoup类的创建，这里命名为soup,接下来就可以对soup进行相关处理了。一个BeautifulSoup类对应html或者xml的全部内容。

BeautifulSoup库将任意html文件转换成utf-8格式

一、解析器

BeautifulSoup类创建的时候第二个参数是解析器，上面的代码中用的解析器为‘html.parser’，BeautifulSoup支持的解析器有：

二、BeautifulSoup类的基本元素

• 使用soup.tag来访问一个标签的内容，如：soup.title;soup.a等，这里的返回值为访问标签的第一个出现的值
• 使用soup.tag.name可以得到当前标签的名字，返回值为字符串，如：soup.a.name 会返回字符串 ‘a’,也可以使用soup.a.parent.name来查看 a 标签父母的名字
• 使用soup.tag.attrs可以得到当前标签的属性，返回值为一个字典，如果没有属性会返回一个空字典，如：soup.a.attrs 会返回 a 标签的属性信息
• 使用soup.tag.string可以得到当前标签的字符串，如：soup.a.string 会返回 a 标签的内容字符串
• 内容字符串有两种类型一是NavigableString类型，一种是Comment类型，Comment类型的格式是<p> <!-- This is an comment --></p>,在调用soup.p.string是会返回This is an comment，但是其类型是Comment类型。

三、soup的内容遍历

标签树的遍历有三种方式，即下行遍历，上行遍历和平行遍历。

（1）下行遍历属性

举例：

#遍历儿子节点
for child in soup.body.children:
    print(child)

#遍历子孙节点
for child in soup.body.descendants:
print(child)

值得注意的是子孙节点不仅包含标签，还包含标签之间的字符串类型，这点需要注意与排除。

（2）上行遍历的属性

soup.parent为空，需要进行区分，可以使用for循环对parents进行遍历：

（3）平行遍历的属性

#遍历后续节点
for sibling in soup.a.next_sibling:
    print(sibling)

#遍历前续节点
for sibling in soup.a.previous_sibling:
    print(sibling)

四、信息提取

• name :  对标签名称的检索字符串，返回标签name的所有内容，并生成列表，也以使用列表一次查找多个标签；如果标签名称为TRUE，将返回所有的标签信息；也可以使用正则对返回的标签信息做筛选
  

•   attrs: 对标签属性值的检索字符串，可标注属性检索，返回列表，属性值必须精确，如果不提供精确的值得话，会返回空列表，可以使用正则表达式进行非精确的匹配
  

•  recursive: 是否对子孙全部检索，默认True

•  string: <>…</>中字符串区域的检索字符串，需要加上string=‘’进行检索
  

简写方式：

扩展方法：