爬虫之Beautiful Soup

了解Beautiful Soup

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

安装

beautifulsoup4

>: pip install beautifulsoup4

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

View Code

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.

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 2.7.3 or 3.2.2)前的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")`	最好的容错性以浏览器的方式解析文档生成HTML5格式的文档	速度慢不依赖外部扩展

案例目标页面代码

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>

"""

from bs4 import BeautifulSoup
# 实例化BeautifulSoup, 将目标页面代码和解析器传入
soup = BeautifulSoup(html_doc, "lxml")  # 使用lxml解析器,,容错率高

基础使用

prettify

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, "lxml")

res = soup.prettify()  # 美化页面代码
print(res)

遍历文档树

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

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, "lxml")
# soup = BeautifulSoup(open('a.html'), 'lxml')
# 1.用法
 存在多个相同的标签则只返回第一个
print(soup.p)  # <p class="title"><b>The Dormouse's story</b></p>
# 2、获取标签的名称
print(soup.p.name)  # p
# 3、获取标签的属性
print(soup.p.attrs)  # {'class': ['title']}
# 4、获取标签的内容
 p内的文本只有一个时，取到，否则为None
print(soup.p.string)  # The Dormouse's story
 拿到一个生成器对象, 取到p下所有的文本内容
print(soup.p.strings)  # <generator object _all_strings at 0x0000023916778938>
 取到p下所有的文本内容
print(soup.p.text)
# 去掉空白
for line in soup.stripped_strings:
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
 head标签内的title标签内的文本
print(soup.head.title.string)  # The Dormouse's story
 body标签内的a标签内的文本
print(soup.body.a.string)  # Elsie
# 6、子节点、子孙节点
 p下所有子节点
print(soup.p.contents)  # [<b>The Dormouse's story</b>]
 包含p下所有子节点
print(soup.p.children)  # <list_iterator object at 0x000001FD5E4DF320>
for i, child in enumerate(soup.p.children):
print(i, child)  # 0 <b>The Dormouse's story</b>
 获取子孙节点,p下所有的标签都会选择出来
print(soup.p.descendants)  #
for i, child in enumerate(soup.p.descendants):
print(i, child)
# 7、父节点、祖先节点
 获取a标签的父节点
print(soup.a.parent)
# 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...
print(soup.a.parents)
# 8、兄弟节点
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

View Code