python笔记-bs4

最新推荐文章于 2022-05-04 13:00:00 发布

原创最新推荐文章于 2022-05-04 13:00:00 发布 · 232 阅读

CC 4.0 BY-SA版权

这篇笔记介绍了如何使用BeautifulSoup（BS4）解析HTML文档，包括获取标签内容、处理编码错误、访问标签属性、修改属性、获取文本内容、操作子节点、使用CSS选择器以及在实际应用中如何进行数据清洗。还展示了从豆瓣网站抓取电影ID和名称的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

bs4定义

BS4本身是一种对描述语言进行封装的函数操作模块，通过提供面向对象的操作方式将文档对象中的各种节点、标签、属性、内容等等都封装成了python中对象的属性，在查询操作过程中，通过调用指定的函数直接进行数据匹配检索操作，非常的简单非常的灵活。
一般BS4将HTML文档对象会转换成如下四种类型组合的文档树

Tag：标签对象
NavigableString：字符内容操作对象
BeautifulSoup：文档对象
Comment：特殊类型的NavigableString

获取标签内容

from bs4 import  BeautifulSoup

# 构造对象
soup = BeautifulSoup(open('westos.html','rb'), 'html.parser')
# 获取标签, 默认获取找到的第一个符合的内容
print(soup.title)
print(type(soup.title))
print(soup.p)

若出现错误UnicodeDecodeError: ‘gbk’ codec can’t decode byte 0xa2 in position 218: illegal multibyte sequence 错误的意思是：Unicode的解码（Decode）出现错误（Error）了，以gbk编码的方式去解码（该字符串变成Unicode），但是此处通过gbk的方式，却无法解码（can’t decode ）。“illegal multibyte sequence”意思是非法的多字节序列，即没法（解码）了。
解决方法：在读取文本的时候加入参数‘b’,不会提示错误，通过输出读取的数据显示。

获取标签的属性

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
print(soup.p.attrs)
# 获取标签指定属性的内容
print(soup.p['id'])
print(soup.p['class'])
print(soup.p['style'])

对标签属性进行修改

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
print(soup.p)
soup.p['id'] = 'modifyid'
print(soup.p)

获取标签的文本内容

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
print(dir(soup.title))
print(soup.title.text)
print(soup.title.string)
print(soup.title.name)
print(soup.head.title.string)

操作子节点

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
print(soup.head.contents) # .contents 属性可以将 tag的子节点以列表的形式输出。
print(soup.head.children) #.children返回一个生成器，可以通过循环获取Tag的子节点
for el in soup.head.children:
    print(el)

面对对象的匹配

# # 查找指定的标签内容(指定的标签)
import re
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
res1 = soup.find_all('p')
print(res1)
# # 查找指定的标签内容(指定的标签)--与正则的使用
res2 = soup.find_all(re.compile(r'd+'))
print(res2)

# # 对于正则表达式进行编译， 提高查找速率；
import re
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
# 详细查找标签
print(soup.find_all('p', id='test1'))
print(soup.find_all('p', id=re.compile(r'test\d{1}')))
print(soup.find_all('p', class_="class1"))
print(soup.find_all('p', class_=re.compile(r'class\d{1}')))

# 查找多个标签
print(soup.find_all(['p', 'div']))
print(soup.find_all([re.compile('^d'), re.compile('p')]))

# 内容的匹配
print(soup.find_all(text='文章标题'))
print(soup.find_all(text=re.compile('标题')))
print(soup.find_all(text=[re.compile('标题'), 'Title']))

CSS匹配

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('westos.html','rb'),'html.parser')
# CSS常见选择器: 标签选择器(div), 类选择器(.class1)， id选择器(#idname)， 属性选择器(p[type="text"])
# 标签选择器(div)
res1 = soup.select("p")
print(res1)
# 类选择器(.class1)
res2 = soup.select(".class2")
print(res2)
# id选择器(#idname)
res3 = soup.select("#test1")
print(res3)
#  属性选择器(p[type="text"]
print(soup.select("p[id='test1']"))
print(soup.select("p['class']"))

获取豆瓣最新电影的ID号和电影名称


import  requests
from bs4 import BeautifulSoup

url = "https://movie.douban.com/cinema/nowplaying/xian/"
# 1). 获取页面信息
response = requests.get(url)
content = response.text
# print(content)
# 2). 分析页面， 获取id和电影名
soup = BeautifulSoup(content, 'lxml')
# 线找到所有的电影信息对应的li标签;
nowplaying_movie_list = soup.find_all('li', class_='list-item')
print(nowplaying_movie_list[0])
print(type(nowplaying_movie_list[0]))
# 存储所有电影信息[{'title':"名称", "id":"id号"}]
movies_info = []

# 依次遍历每一个li标签， 再次提取需要的信息
for item in nowplaying_movie_list:
    nowplaying_movie_dict = {}
    # 根据属性获取title内容和id内容
    # item['data-title']获取li标签里面的指定属性data-title对应的value值;
    nowplaying_movie_dict['title'] = item['data-title']
    nowplaying_movie_dict['id'] = item['id']
    nowplaying_movie_dict['actors'] = item['data-actors']
    nowplaying_movie_dict['director'] = item['data-director']

    # 将获取的{'title':"名称", "id":"id号"}添加到列表中;
    movies_info.append(nowplaying_movie_dict)

print(movies_info)

  
# 获取指定电影的影评信息

# 目标:
#      1). 爬取某一页的评论信息；
#      2).爬取某个电影的前10页评论信息；
#      3). 获取所有电影的评论信息;
import threading

import requests
from bs4 import  BeautifulSoup
# #      1). 爬取某一页的评论信息；
def getOnePageComment(id, pageNum):
    # 1). 根据页数确定start变量的值
    # 第一页: https://movie.douban.com/subject/26425063/comments?start=0&limit=20&sort=new_score&status=P
    # 第二页: https://movie.douban.com/subject/26425063/comments?start=20&limit=20&sort=new_score&status=P
    # 第三页: https://movie.douban.com/subject/26425063/comments?start=20&limit=40&sort=new_score&status=P
    start = (pageNum-1)*20
    url = "https://movie.douban.com/subject/%s/comments?start=%s&limit=20&sort=new_score&status=P" %(id, start)
    # 2). 爬取评论信息的网页内容
    content = requests.get(url).text
    # 3). 通过bs4分析网页
    soup = BeautifulSoup(content, 'lxml')
    # 分析网页得知， 所有的评论信息都是在span标签， 并且class为short;
    commentsList = soup.find_all('span', class_='short')
    pageComments = ""
    # 依次遍历每一个span标签， 获取标签里面的评论信息, 并将所有的评论信息存储到pageComments变量中;
    for commentTag in commentsList:
        pageComments += commentTag.text
    # return pageComments
    print("%s page" %(pageNum))
    global  comments
    comments += pageComments

#      2).爬取某个电影的前10页评论信息；
id = '26425063'
comments = ''
threads = []
# 爬取前10页的评论信息;获取前几页就循环几次；
for pageNum in range(10): # 0 , 1 2 3 4...9
    pageNum = pageNum + 1
    # getOnePageComment(id, pageNum)
    # 通过启动多线程获取每页评论信息
    t = threading.Thread(target=getOnePageComment, args=(id, pageNum))
    threads.append(t)
    t.start()
#     等待所有的子线程执行结束， 再执行主线程内容;
_ = [thread.join() for thread in threads]
print("执行结束")
with open("%s.txt" %(id), 'w',encoding='utf-8') as f:
    f.write(comments)

数据清洗

完整的分析过程:
- 数据的获取: 通过爬虫获取(urllib|requests<获取页面内容> + re|bs4<分析页面内容>)
- 数据清洗：按照一定的格式岁文本尽心处理;

import re


# 1. 对于爬取的评论信息进行数据清洗(删除不必要的逗号， 句号， 表情， 只留下中文或者英文内容)
with open('./doc/26425063.txt',encoding='utf-8') as f:
    comments = f.read()
# 通过正则表达式实现
pattern = re.compile(r'([\u4e00-\u9fa5]+|[a-zA-Z]+)')
deal_comments = re.findall(pattern, comments)
newComments = ''
for item in deal_comments:
    newComments += item
print(newComments)

词云分析

import jieba
import  wordcloud
import  numpy as np
from PIL import Image

text= "马云曾公开表态称对钱没兴趣称其从来没碰过钱上了微博热搜"

# 2).  '微博热', '搜'切割有问题， 可以强调
# jieba.suggest_freq(('微博'),True)
# jieba.suggest_freq(('热搜'),True)
# 强调文件中出现的所有词语；
jieba.load_userdict('./doc/newWord')
# 1). 切割中文， lcut返回一个列表， cut返回一个生成器；
result = jieba.lcut(text)
print("切分结果:", result)

# 4). 绘制词云
wc = wordcloud.WordCloud(
    background_color='snow',
    font_path='./font/msyh.ttf',    # 处理中文数据时
    min_font_size=5,    # 图片中最小字体大小；
    max_font_size=50,   # 图片中最大字体大小；
    width=200,  # 指定生成图片的宽度
)
wc.generate(",".join(result))
wc.to_file('./doc/douban.png')