爬虫----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

pip3 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.

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：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

 soup = BeautifulSoup(html_doc,"lxml")  #第一个参数指定文本内容，第二个参数解析器

 # soup = BeautifulSoup(open("a.html"),"lxml")   #也可以打开一个文件创建实例

 print(soup.prettify())  #容错性的体现，自动补全

 print(soup.a)  #只找到了一个，而且是从整个文档树找

 print(soup.a.text)   #找到a标签里面的文本

 print(soup.text)   #找整个文档树种所有的文本

 print(soup.a.attrs)   #找a标签的所有属性，字典形式

 print(soup.a.attrs["href"])  #找a标签的href属性

 print(soup.p.b)  #嵌套查找，这是只找一个

 print(soup.p.contents)  #子节点，找到的是一个闭标签

 print(list(soup.p.children )) #得到生成器

 print(list(soup.p.descendants))  #所有的子子孙孙

 print(soup.a.parent)#找父亲

 print(list(soup.a.parent))#父亲的父亲的父亲

 print(soup.p.find_all() ) #标签名可以和find可以结合在一起使用

基本使用

四、搜索文档数

1、五种过滤器

 from bs4 import BeautifulSoup

 html_doc = '''<html><head><title>The Dormouse's story</title></head>

 <body>

 <p class="title"><b>The Dormouse's story</b></p>

 <p class="title"><b>$75</b></p>

 <p id="meiyuan">啦啦啦啦啦啦</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>'''

 soup= BeautifulSoup(html_doc,"lxml")

 # 1、字符串：特点：是一种完全匹配的

 print(soup.find_all(name="a"))  #找到所有的a标签

 print(soup.find_all(name="a aa"))  #找不到，会打印一个[]

 print(soup.find_all(attrs={"class":"sister"}))

 print(soup.find_all(text="The Dormouse's story"))  #按照文本来找

 print(soup.find_all(name="b",text="The Dormouse's story"))  #找标签名是b，并且文本是The Dormouse's story

 print(soup.p.find(name="b").text)  #第一个p标签的b里面的文本

 print(soup.find_all(name="p",attrs={"class":"story"}))  #找到标签名是p,属性名是class,

 print(soup.find(name="p",attrs={"class":"story"}).find_all(name="a")[2])  #找到标签名是p,属性名是class的第二个a标签

 # 2、正则

 import re

 print(soup.find_all(name=re.compile("^b")))  #找b开头的的标签

 print(soup.find_all(attrs={"id":re.compile("link")}))  #找到id属性是link的

 print(soup.find_all(text=re.compile(r"\$")))  #找带有$价钱的文本

 #

 # # 3、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.

 print(soup.find_all(name=["a",re.compile("^b")]))  #找a标签或者b标签开头的所有的标签

 print(soup.find_all(text=["$",]))  #找不到

 print(soup.find_all(text=[re.compile(r"\$")]))  #['$75']

 print(soup.find_all(text=["a",re.compile(r"\$")]))

 # # 4、True：可以匹配任何值

 print(soup.find_all(name=True))  #找到所有标签的标签名

 print(soup.find_all(attrs={"id":True}))#找到只要有id属性的

 #

 print(soup.find_all(name="p",attrs={"id":True}))# 找到有id属性的p标签

 # 5、方法：如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

 #

 # # 有class属性没有id属性的

 def has_class_not_id(tag):

     return tag.has_attr('class') and not tag.has_attr('id')

     # return tag.has_attr('id') and not tag.has_attr('class')

     # return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id")

 # #     #只找a标签

 print(soup.find_all(has_class_not_id))  #默认是按照标签来找的

 print(soup.find_all(name="a",limit=2))#找所有的a标签，只找前两个

 print(soup.body.find_all(attrs={"class":"sister"},recursive=False))#找属性为sister的

 print(soup.html.find_all('a'))

 print(soup.html.find_all('a',recursive=False))

 # recursive = True  #从子子孙孙都找到了

 # recursive = False #如果只想搜索tag的直接子节点（就不往里面找了）,可以使用参数 recursive=False .

 # **kwargs

 print(soup.find_all(attrs={"class":"sister"}))

 print(soup.find_all(class_="sister"))  #这两个是一样的

 print(soup.find_all(attrs={"id":"link3"})) #这两个是一样的，只是表示方式不一样

 print(soup.find_all(id="link3"))

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

 #2、find_all( name , attrs , recursive , text , **kwargs )

 #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 .

 print(soup.find_all(name=re.compile('^t')))

 #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 .

 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

 # 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)

 '''

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

 #3、find( name , attrs , recursive , text , **kwargs )

 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>

4、其他方法

见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent

5、CSS选择器

 #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')

 #1、CSS选择器

 print(soup.p.select('.sister'))

 print(soup.select('.sister span'))

 print(soup.select('#link1'))

 print(soup.select('#link1 span'))

 print(soup.select('#list-2 .element.xxx'))

 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

 # 2、获取属性

 print(soup.select('#list-2 h1')[0].attrs)

 # 3、获取内容

 print(soup.select('#list-2 h1')[0].get_text())

五、修改文档数

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

六、总结

 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

爬虫----BeautifulSoup模块的更多相关文章

【爬虫入门手记03】爬虫解析利器beautifulSoup模块的基本应用
[爬虫入门手记03]爬虫解析利器beautifulSoup模块的基本应用 1.引言网络爬虫最终的目的就是过滤选取网络信息,因此最重要的就是解析器了,其性能的优劣直接决定这网络爬虫的速度和效率.Bea ...
【网络爬虫入门03】爬虫解析利器beautifulSoup模块的基本应用
[网络爬虫入门03]爬虫解析利器beautifulSoup模块的基本应用 1.引言网络爬虫最终的目的就是过滤选取网络信息,因此最重要的就是解析器了,其性能的优劣直接决定这网络爬虫的速度和效率.B ...
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 ...
Python爬虫之Beautifulsoup模块的使用
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.Be ...
requests和BeautifulSoup模块的使用
用python写爬虫时,有两个很好用第三方模块requests库和beautifulsoup库,简单学习了下模块用法: 1,requests模块 Python标准库中提供了:urllib.urllib ...
requsets模块和beautifulsoup模块
2.requests模块方法 requests是基于Python开发的HTTP库,使用Requests可以轻而易举的完成浏览器可有的任何操作. request.get() request.post() ...
BeautifulSoup 模块详解
BeautifulSoup 模块详解 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找指定元素,从而使得在HT ...
03 解析库之Beautifulsoup模块
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 ...
python之爬虫_模块
目录一.requests模块二.Beautifulsoup模块一.requests模块 1.介绍 Python标准库中提供了:urllib.urllib2.httplib等模块以供Http请求,但 ...

随机推荐

【Dubbo 源码解析】06_Dubbo 服务调用
Dubbo 服务调用根据上图,可以看出,服务调用过程为: Consumer 端的 Proxy 调用 Cluster 层选择集群中的某一个 Invoker(负载均衡) Invoker 最终会调用 Pr ...
Nginx 反向代理获取设备真实的IP地址
package com.das.common.util; import org.apache.commons.lang3.StringUtils; import org.springframework ...
【物联网】 9个顶级开发IoT项目的开源物联网平台（转）
物联网(IoT)是帮助人工智能(AI)以更好的方式控制和理解事物的未来技术. 我们收集了一些最有名的物联网平台,帮助您以受控方式开发物联网项目. 物联网平台是帮助设置和管理互联网连接设备的组件套件. ...
mac npm编译的时候，一直报 node 镜像找不到
目前我所知的方法就是卸载.重装node,或者是升级node 卸载: brew uninstall node 安装: brew install node 升级: brew upgrade node
mac 初次配置apache，及mac下安装mysql
先打开apache,在浏览器上输入 localhost 回车后会如果屏幕上显示:It works! 如下图: 这说明你的apache已开启 mac 下apache配置(mac自带apache ...
canvas里设置width和css里设置width和js里设置width的区别
canvas.width 和它的style.width是不一样的: canvas是个画布,有他自己的宽和高(默认是没有单位的纯数字),就是canvas.width和canvas.height的宽和高 ...
伪分布式hadoop启动后jps查不到namenode的解决办法
启动过程没有发现错误,但是jps查看进程时,发现少了NameNode,而DataNode却存在: 原因: 是端口9000已经被占用,解决办法有两个, 第一种:查找占用端口的进程,kill掉它. had ...
MongoDB数据导出
在bin目录下(没有设置环境变量), mongoexport -d Structure_Patents_infos -c patents_texts -o D:\Postgraduate\Python ...
linux中的cd
cd命令实例 hling@hling:~$ cd /home/hling/桌面/huanghling@hling:~/桌面/huang$ cd ..hling@hling:~/桌面$ cd ..hl ...
Linux之grep的使用
基本介绍 Linux系统中grep命令是一种强大的文本搜索工具,它能使用正则表达式搜索文本,并把匹配的行打印出来.grep全称是Global Regular Expression Print,表示全 ...

爬虫----BeautifulSoup模块

爬虫----BeautifulSoup模块的更多相关文章

随机推荐

热门专题