爬虫入门（五）——BeautifulSoup4

最新推荐文章于 2023-01-26 13:15:06 发布

北木x

最新推荐文章于 2023-01-26 13:15:06 发布

阅读量198

点赞数

本文链接：https://blog.youkuaiyun.com/python_mu/article/details/106728849

版权

本文参考Beautiful Soup 4.2.0 文档，仅列举部分内容，详细内容见原文档，链接为：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id14

1. bs4简介

1.1 基本概念

BeautifulSoup 是⼀个可以从HTML或XML⽂件中提取数据的网页信息提取库(简称bs4)，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

1.2 源码分析

github下载源码
安装：
pip install lxml(解析器）
pip install bs4

2.bs4的用法

2.1 bs4的对象种类

tag : 标签
NavigableString : 可导航的字符串
BeautifulSoup : bs对象
Comment : 注释

2.2 bs4的用法

直接上代码理解：

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="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>
"""

soup=BeautifulSoup(html_doc,'lxml')
print(soup.prettify())  #美化代码格式，使代码能按照标准的缩进格式的结构输出

print(soup.title)  #获取<title>标签：<title>The Dormouse's story</title>
print(soup.title.name)  #获取标签名称：title
print(soup.title.string)  #获取<title>标签中的文字：The Dormouse's story
print(soup.title.parent)  #获取<title>标签的父标签：<head><title>The Dormouse's story</title></head>
print(soup.title.parent.name)  #获取父标签名称：head

print(soup.p['class'])  #获取<p>标签中class属性值：['title']
print(soup.find_all('p'))  #获取<p>标签的所有内容,返回内容为列表形式

print(soup.a)  # 获取第一个<a>标签 
print(soup.find_all(id="link3")) #获取id="link3"的<a>标签，并返回列表形式：[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

#找到所有<a>标签的链接
links=soup.find_all('a') #print(type(links))：<class 'bs4.element.ResultSet'>
for link in links:    #print(type(link))：<class 'bs4.element.Tag'>
    print(link['href']) #获取<a>标签中的链接

#获取所有文字内容转化为二进制形式
print(soup.get_text())

3.遍历树

3.1 遍历子节点

contents：返回的是⼀个列表
children：返回的是⼀个迭代器通过这个迭代器可以进⾏迭代
descendants：返回的是⼀个⽣成器遍历⼦⼦孙孙
string：获取标签⾥⾯的内容。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。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
strings：返回是⼀个⽣成器对象⽤过来获取多个标签内容
stripped_strings：和strings基本⼀致但是它可以把多余的空格去掉

用代码展示：

#contents
head_tag=soup.head
print(head_tag)  #<head><title>The Dormouse's story</title></head>
print(head_tag.contents)  #[<title>The Dormouse's story</title>]
title_tag=head_tag.contents[0]
print(title_tag.contents)  #["The Dormouse's story"]

#children
for child in title_tag.children:
    print(child)  #The Dormouse's story

#descendants
for child in head_tag.descendants:
    print(child)  
    #<title>The Dormouse's story</title>
    #The Dormouse's story

# string
print(title_tag.string)  #The Dormouse's story
print(soup.html.string)  #tag包含多个子节点，无法确定调用哪个，输出结果为None

# strings
for string in soup.strings:
    print(string)
    print(repr(string))  #将字符串以标准形式返回，空格也以"/n"的形式出现
	#"The Dormouse's story"
    # '\n'
    # '\n'
    # "The Dormouse's story"
    # '\n'
    # 'Once upon a time there were three little sisters; and their names were\n'
    # 'Elsie'
    # ',\n'
    # 'Lacie'
    # ' and\n'
    # 'Tillie'
    # ';\nand they lived at the bottom of a well.'
    # '\n'
    # '...'
    # '\n'
    
#stripped_strings
for string in soup.stripped_strings:
    print(repr(string))
    # "The Dormouse's story"
    # "The Dormouse's story"
    # 'Once upon a time there were three little sisters; and their names were'
    # 'Elsie'
    # ','
    # 'Lacie'
    # 'and'
    # 'Tillie'
    # ';\nand they lived at the bottom of a well.'
    # '...'
    
#stripped_strings
for string in soup.stripped_strings:
    print(repr(string))
    # "The Dormouse's story"
    # "The Dormouse's story"
    # 'Once upon a time there were three little sisters; and their names were'
    # 'Elsie'
    # ','
    # 'Lacie'
    # 'and'
    # 'Tillie'
    # ';\nand they lived at the bottom of a well.'
    # '...'

3.2 遍历父节点

parent直接获得⽗节点
parents获取所有的⽗节点

3.3 遍历兄弟节点

next_sibling 下⼀个兄弟结点
previous_sibling 上⼀个兄弟结点
next_siblings 下⼀个所有兄弟结点
previous_siblings上⼀个所有兄弟结点

4. 搜索树

字符串过滤器
正则表达式过滤器
我们⽤正则表达式⾥⾯compile⽅法编译⼀个正则表达式传给 find 或者findall这个⽅法可以实现⼀个正则表达式的⼀个过滤器的搜索
列表过滤器
True过滤器
⽅法过滤器

# 字符串过滤器
a_tag2 = soup.a
# 查找所有<b>标签
b_tag = soup.find_all('b')
print(b_tag)  #[<b>The Dormouse's story</b>]

# 正则表达式过滤器
import re
for tag in soup.find_all(re.compile('t')):
    print(tag.name)  
    #html                 
    #title

# 列表过滤器
print(soup.find_all(['p','a']))  #找到所有的p标签和a标签 
print(soup.find_all(['title','b']))  #[<title>The Dormouse's story</title>, <b>The Dormouse's story</b>]   

# True过滤器
for tag in soup.find_all(True):
    print(tag)  #层层递减,从最外层标签一直返回到最小标签
    print(tag.name)

#方法过滤器
def fn(tag):
    return tag.has_attr('class')
print(soup.find_all(fn)) #得到所有<p>标签

5. find_all() 和 find()

5.1 find_all()

find_all()⽅法以列表形式返回所有的搜索到的标签数据
find()⽅法返回搜索到的第⼀条数据

find_all()的方法参数:
deffind_all(self,name=None,attrs{},recursive=True,text=None,limit=None, kwargs)
name : tag名称
attr : 标签的属性
recursive : 是否递归搜索
text : ⽂本内容
limli : 限制返回条数
kwargs : 关键字参数