爬虫：Beautiful Soup

最新推荐文章于 2025-05-12 16:18:48 发布

Amae

最新推荐文章于 2025-05-12 16:18:48 发布

阅读量1.2k

点赞数 1

分类专栏：爬虫【python】文章标签：爬虫 Beautilful soup request lxml

本文链接：https://blog.youkuaiyun.com/Smart_look/article/details/122143056

版权

本文介绍了Python的Beautiful Soup库，用于解析HTML和XML文档。讲解了Beautiful Soup的基本用法，包括解释器的选择，如推荐使用lxml解析器。详细阐述了节点选择器、元素选择、信息提取、嵌套和关联选择以及方法选择器如find_all()和find()。此外，还介绍了通过CSS选择器进行更灵活的元素选择。通过这些功能，Beautiful Soup能方便地提取网页数据，避免复杂的正则表达式操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对于一个网页来说，都有一定的特殊结构和层级关系，而且很多节点都有 id，class 来作区分，所以借助它们的结构和属性来提取不也可以吗？介绍一个强大的解析工具 Beautiful Soup ，它借助网页的结构和属性等特性来解析网页有了它，我们不用再去写一些复杂的正则表达式，只需要简单的几条语句，就可以完成网页中某个元素的提取

Beautiful Soup 简介

Beautful Soup 就是 Python HTML或 XML 的解析库，可以用它来方便地从网页中提取数据：

Beautiful Soup 提供一些简单的、 python式的函数来处理导航、搜索、修改分析树等功能 ,它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beaut Soup 自动将输入文档转 Unicode 编码，输出文档转换为 UTF-8 编码你不需考虑编码方式，除非文档没有指一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup 成为和lxml, html6lib 一样出色的 Python 解释器，为用户灵活地提供不同的解析策略或强劲的速度.

解释器

Beautiful Soup 在解析时实际上依赖解析器，它除了支持 Python 标准库中的 HTML 解析器外，还支持一些第三方解析器（比如 lxml）

通过以上对比可以看出， lxml 解析器有解析 HTML 和 XML 的功能，而且速度’快，容错能力强，所以推荐使用它

from bs4 import BeautifulSoup
soup = BeautifulSoup("<p>Hellow</p>","lxml")
print(soup.p.string)

基本用法

from bs4 import BeautifulSoup

html = '''
<html> <head><title>The Dormouse ’s story</title></head>
<body>
<p class="title" name="dromouse"><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="linkl"><! - Elsie … ><la>,
<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"> ... <Ip>
'''
soup = BeautifulSoup(html,"lxml")
print(soup.prettify())
print(soup.title.string)

结果：
<html>
 <head>
  <title>
   The Dormouse ’s story
  </title>
 </head>
 <body>
  <p class="title" name="dromouse">
   <b>
    The Dormouse ’s story
   </b>
  </p>
  <p class="story">
   Once upon a time there were three little sisters; and their names were
   <a class="sister" href="http://example.com/elsie" id="linkl">
    <la>
     ,
     <a class="sister" href="http://example.com/lacie " id="link2">
      Lacie
     </a>
     and
     <a class="sister" href="http://example.com/tillie" id="link3">
      Tillie
     </a>
     ;
and they lived at the bottom of a well .
    </la>
   </a>
  </p>
  <p class="story">
   ...
   <ip>
   </ip>
  </p>
 </body>
</html>
The Dormouse ’s story

第一步：首先声明变量html，它是一个HTML字符串，但是需要注意的是，他并不是一个完整的HTML字符串，因为body和html节点都没有闭合，接着，将他们当作第一个参数传给BeautifulSoup对象，该对象第二个参数为解析参数器类型（这里使用lmxl），此时就完成了BeautifulSoup对象的初始化，然后，将这个对象赋值给soup变量

第二步：调用prettify() 方法，这个方法可以把解析的字符串以标准的缩进格式输出，这里需要主义的是，输出结果里面包含body和html节点，也就是说对于不标准的HTML字符串BeautifulSoup可以自动更正格式，这一步prettiry() 方法做的，而是初始化BeautifulSoup时就完成了

第三步：soup.title.string 这实际上是输出HTML中title节点的文本内容。所以，soup.title可以选出HTML中的title节点，再调用string属性就可以得到里面的文本了，所以我们可以通过简单调用几个属性完成文本提取

节点选择器

直接调用节点的名称就可以选择节点元素，再调用string属性就可以得到文本

选择元素

from bs4 import BeautifulSoup

html = '''
<html> <head><title>The Dormouse ’s story</title></head>
<body>
<p class="title" name="dromouse"><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="linkl"><! - Elsie … ><la>,
<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"> ... <Ip>
'''
soup = BeautifulSoup(html,"lxml")
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)
print(soup.p)
print(soup.p)

结果：

<title>The Dormouse ’s story</title>
<class 'bs4.element.Tag'>
The Dormouse ’s story
<head><title>The Dormouse ’s story</title></head>
<p class="title" name="dromouse"><b>The Dormouse ’s story</b></p>
<p class="title" name="dromouse"><b>The Dormouse ’s story</b></p>

尝试选择了 head 节点，结果也是节点加其内部的所有内容最后，选择了p 节点不过这次情况比较特殊，我们发现结果是第一个p 节点的内容，后面的几个p节点点并没有选到也就是说，当有多个节点时，这种选择方式只会选择到第一个匹配的节点，其他的后面节点都会忽略

提起信息

1、提取名称

可以利用name属性获取节点的名称，选取title节点，然后调用name属性就可以得到节点名称

from bs4 import BeautifulSoup

html = '''
<html> <head><title>The Dormouse ’s story</title></head>
<body>
<p class="title" name="dromouse"><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="linkl"><! - Elsie … ><la>,
<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"> ... <Ip>
'''
soup = BeautifulSoup(html,"lxml")
print(soup.title.name)

结果：
title

2、获取属性

每个节点可能有多个属性，比如id和class等，选择这个节点元素后，可以调用sttrs获取属性

from bs4 import BeautifulSoup

html = '''
<html> <head><title>The Dormouse ’s story</title></head>
<body>
<p class="title" name="dromouse"><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="linkl"><! - Elsie … ><la>,
<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"> ... <Ip>
'''
soup = BeautifulSoup(html,"lxml")
print(soup.p.attrs)
print(soup.p.attrs['name'])

结果；

{'class': ['title'], 'name': 'dromouse'}
dromouse

attrs 的返回结果是字典格式，是属性和属性值合成一个字典，要获取name 属性，就相当于从字典中获取某个键值，只需要用中括号加属性名就可以使用

还可以再简化

from bs4 import BeautifulSoup

html = '''
<html> <head><title>The Dormouse ’s story</title></head>
<body>
<p class="title" name="dromouse"><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="linkl"><! - Elsie … >&l

最低0.47元/天解锁文章