Python爬虫Beautiful Soup
Python爬虫Beautiful Soup详细教程
Beautiful Soup的简介
Beautiful Soup是python的一个库，主要用于从网页上爬取数据。
可以自动转换Unicode编码为utf-8编码，和lxml、html6lib一样，都是python出色的解释器。
Beautiful Soup 安装
使用之前，我们当然需要首先说明一下它的安装方式。目前BeautifulSoup的最新版本是4.x版本，之前的版本已经停止开发了，推荐使用pip/easy_install来安装，安装命令如下：
easy_install beautifulsoup4
或者
pip install beautifulsoup4
下载完成之后解压，运行下面的命令即可完成安装
sudo python setup.py install
同时，还需要安装 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:
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，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。
| 解析器 |
使用方法 |
优势 |
劣势 |
| Python标准库 |
BeautifulSoup(markup, “html.parser”) |
Python的内置标准库
执行速度适中
文档容错能力强
|
Python低版本中文档容错能力差
|
| lxml HTML解析器 |
BeautifulSoup(markup, “lxml”) |
速度快
文档容错能力强
|
需要安装C语言库
|
| lxml XML解析器 |
BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”) |
速度快
唯一支持XML的解析器
|
需要安装C语言库
|
| html5lib |
BeautifulSoup(markup, “html5lib”) |
最好的容错性
浏览器方式解析文档
生成HTML5格式文档
|
速度慢
不依赖外部扩展
|
创建Beautiful Soup
# 导入 bs4 库
from bs4 import BeautifulSoup
# 创建 beautifulsoup 对象
soup = BeautifulSoup(html)
# 格式化输出soup对象的内容
print soup.prettify()
Beautiful Soup 4种对象
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment
下面我们一起看看
Tag
Tag通俗点讲就是HTML中的标签，例如<title>、<div><a><img>等等。
Beautiful Soup获取内容方式如下：
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
# 比如：Tag是<h1>Python爬虫Beautiful Soup</h1>
# 导入 bs4 库
from bs4 import BeautifulSoup
# 创建 beautifulsoup 对象
soup = BeautifulSoup(html)
# 输出h1对象的内容
print(soup.h1)
利用soup加标签名轻松地获取这些标签的内容。
对于 Tag，有两个重要的属性，是 name 和 attrs。
name
print soup.name
print soup.head.name
#[document]
#head
soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。
attrs
print(soup.p.attrs)
#{'class': ['title'], 'name': 'dromouse'}
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
print soup.p['class']
# ['title']
还可以这样，利用get方法，传入属性的名称，二者是等价的
print soup.p.get('class')
# ['title']
我们可以对这些属性和内容等等进行修改，例如
soup.p['class']="newClass"
print soup.p
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
还可以对这个属性进行删除，例如
del soup.p['class']
print soup.p
# <p name="dromouse"><b>The Dormouse's story</b></p>
NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如
print soup.p.string
# The Dormouse's story
这样我们就轻松获取到了标签里面的内容。
BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
print type(soup.name)
# <type 'unicode'>
print soup.name
# [document]
print soup.attrs
# {} 空字典
Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。我们找一个带注释的标签
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
print soup.a
print soup.a.string
print type(soup.a.string)
遍历文档树
直接子节点
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
print soup.head.contents
# [<title>Hello lidihuo</title>]
输出方式为列表，我们可以用列表索引来获取它的某一个元素
print soup.head.contents[0]
# <title>Hello lidihuo</title>
.children
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
print soup.head.children
# <listiterator object at 0x7f71457f5710>
获得里面的内容呢遍历一下就好了代码如下:
for child in soup.body.children:
print child
所有子孙节点
.descendants
.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
for child in soup.body.children:
print child
节点内容
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。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。
通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如
print soup.head.string
# The Dormouse's story
print soup.title.string
# The Dormouse's story
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
print soup.html.string
# None
多个内容
.strings
获取多个内容，不过需要遍历获取
for string in soup.strings:
print(repr(string))
.stripped_strings
输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容。
for string in soup.stripped_strings:
print(repr(string))
父节点
通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如
content = soup.head.title.string
for parent in content.parents:
print parent.name
兄弟节点
兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None
注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行
print soup.p.next_sibling
# 实际该处为空白
print soup.p.prev_sibling
# None没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
全部兄弟节点
通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
for sibling in soup.a.next_siblings:
print(repr(sibling))
前后节点
与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次，比如 head 节点为
<head><title>Hello Lidihuo</title></head>
那么它的下一个节点便是 title，它是不分层次关系的
print soup.head.next_element
# <title>The Dormouse's story</title>
所有前后节点
通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
for element in last_a_tag.next_elements:
print(repr(element))
搜索文档树
find_all(name , attrs , recursive , text , **kwargs)
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。
name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签。
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到。
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.下面代码找到文档中所有<a>标签和<b>标签
soup.find_all(["a", "b"])
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
for tag in soup.find_all(True):
print(tag.name)
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 [4] ,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
下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:
soup.find_all(has_class_but_no_id)
keyword 参数
如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性。
soup.find_all(id='link2')
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性。
soup.find_all(href=re.compile("elsie"))
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以。
soup.find_all("a", class_="sister")
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
data_soup = BeautifulSoup('
foo!
')
data_soup.find_all(data-foo="value")
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
data_soup.find_all(attrs={"data-foo": "value"})
text 参数
通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True
soup.find_all(text="Elsie")
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
soup.find_all(text=re.compile("Dormouse"))
limit 参数
find_all() 方法返回全部的搜索结构,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.
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量
soup.find_all("a", limit=2)
recursive 参数
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 .
是否使用 recursive 参数的搜索结果:
soup.html.find_all("title")
soup.html.find_all("title", recursive=False)
find(name , attrs , recursive , text , **kwargs)
它与 find_all() 方法唯一的区别是 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_parents() find_parent()
find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent()
用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容。
find_next_siblings() find_next_sibling()
这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点。
find_previous_siblings() find_previous_sibling()
这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点。
find_all_next() find_next()
这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点。
find_all_previous() 和 find_previous()
这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点。
CSS选择器
我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
# 通过标签名查找
print soup.select('title')
print soup.select('a')
print soup.select('b')
# 通过类名查找
print soup.select('.sister')
#通过 id 名查找
print soup.select('#link1')
# 组合查找,组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
print soup.select('p #link1')
# 直接子标签查找
print soup.select("head > title")
# 属性查找,查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select('a[class="sister"]')
print soup.select('a[href="http://xxx.com/elsie"]')
# 同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
print soup.select('p a[href="http://xxx.com/elsie"]')
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-21
soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
print title.get_text()
