Python 爬虫利器二之 Beautiful Soup 的用法

https://cuiqingcai.com/1319.html

上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也对写正则表达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫 Beautiful Soup,有了它我们可以很方便地提取出 HTML 或 XML 标签中的内容,实在是方便,这一节就让我们一起来感受一下 Beautiful Soup 的强大吧。

1. Beautiful Soup 的简介

简单来说,Beautiful Soup 是 python 的一个库,最主要的功能是从网页抓取数据。官方解释如下:

Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、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。 Beautiful Soup 自动将输入文档转换为 Unicode 编码,输出文档转换为 utf-8 编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup 已成为和 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。

废话不多说,我们来试一下吧~

2. Beautiful Soup 安装

Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用 Beautiful Soup 4,不过它已经被移植到 BS4 了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称 BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。 可以利用 pip 或者 easy_install 来安装,以下两种方法均可

1
beautifulsoup4
1
pip  beautifulsoup4

如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2 Beautiful Soup 3.2.1Beautiful Soup 4.3.2 下载完成之后解压 运行下面的命令即可完成安装

1
sudo  setup. install

然后需要安装 lxml

1
easy_install lxml
1
pip  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:

1
html5lib
1
pip  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。

<thead”>

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

3. 开启 Beautiful Soup 之旅

在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。 官方文档

4. 创建 Beautiful Soup 对象

首先必须要导入 bs4 库

1
bs4  BeautifulSoup

我们创建一个字符串,后面的例子我们便会用它来演示

1
2
3
4
5
6
7
8
9
10
11
html = """
The Dormouse's story

The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""

创建 beautifulsoup 对象

1
soup = BeautifulSoup(html)

另外,我们还可以用本地 HTML 文件来创建对象,例如

1
=

上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象 下面我们来打印一下 soup 对象的内容,格式化输出

1
soup.prettify()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
The Dormouse's story

    The Dormouse's story

   Once upon a time there were three little sisters; and their names were

   ,

    Lacie

   and

    Tillie

   ;
and they lived at the bottom of a well.

   ...

以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。

5. 四大对象种类

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

下面我们进行一一介绍

(1)Tag

Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如

1
The Dormouse's story
1
<a = = =>Elsie</a>

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags 下面每一段代码中注释部分即为运行结果

1
2
soup.
#<>The Dormouse's story</>
1
2
print soup.head
#The Dormouse's story
1
2
print soup.a
#
1
2
print soup.p
#<p ="" =""><> ' </></>

我们可以利用 soup 加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后面进行介绍。 我们可以验证一下这些对象的类型

1
2
(.)

对于 Tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下 name

1
2
3
4
soup.name
 soup.head.name

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

1
2
print soup.p.attrs
#{: [], : }

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

1
2
print soup.p[]
#[]

还可以这样,利用 get 方法,传入属性的名称,二者是等价的

1
2
soup.p.()

我们可以对这些属性和内容等等进行修改,例如

1
2
3
soup.p[]=
print soup.p
#<p ="" =""><> ' </></>

还可以对这个属性进行删除,例如

1
2
3
del soup.p[]
print soup.p
#<p name=><b>The Dormouse

不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档

(2)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

1
2
soup.p.string

这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。 来检查一下它的类型

1
2
(soup.p.)
#< '..'>

(3)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,以及属性来感受一下

1
2
3
4
5
6
type(soup.name)

 soup.name 

 soup.attrs

(4)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

1
2
3
soup.a
 soup.a.
 (soup.a.)

运行结果如下

1
2
3
Elsie

a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。 另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下

1
2
type(soup..)==bs4..Comment:
    print soup..

上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。

6. 遍历文档树

(1)直接子节点

要点:.contents .children 属性

.contents tag 的 .content 属性可以将 tag 的子节点以列表的方式输出

1
2
print soup.head.contents
#

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

1
2
soup.head.contents[0]

.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

1
2
soup.head.children

我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下

1
2
for child in  soup.body.children:
    print child
1
2
3
4
5
6
7
8
9
10
The Dormouse's story

Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.

...

(2)所有子孙节点

知识点:.descendants 属性

.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。

1
2
for
    print

运行结果如下,可以发现,所有的节点都被打印出来了,先生最外层的 HTML 标签,其次从 head 标签一个个剥离,以此类推。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
The Dormouse's story

The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...

The Dormouse's story
The Dormouse's story
The Dormouse's story

The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...

The Dormouse's story
The Dormouse's story
The Dormouse's story

Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
Once upon a time there were three little sisters; and their names were

 Elsie
,

Lacie
Lacie
 and

Tillie
Tillie
;
and they lived at the bottom of a well.

...
...

(3)节点内容

知识点:.string 属性

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

1
2
3
4
soup.head.string

 soup.title.string

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

1
2
soup.html.

(4)多个内容

知识点: .strings .stripped_strings 属性

.strings 获取多个内容,不过需要遍历获取,比如下面的例子

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
soup.strings:
    print(repr())

.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

1
2
3
4
5
6
7
8
9
10
11
12
soup.stripped_strings:
    print(repr())

(5)父节点

知识点: .parent 属性

1
2
3
p = soup.p
print p.parent.name
#body
1
2
3
= soup.head..
 .parent.name
#

(6)全部父节点

知识点:.parents 属性

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

1
2
3
= soup.head..
 parent   .parents:
     parent.name
1
2
3
4
title
head
html
]

(7)兄弟节点

知识点:.next_sibling .previous_sibling 属性

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

1
2
3
4
5
6
7
8
9
10
11
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
#Once upon a time there were three little sisters; and their names were
#,
#Lacie and
#Tillie;
#and they lived at the bottom of a well.
#下一个节点的下一个兄弟节点是我们可以看到的节点

(8)全部兄弟节点

知识点:.next_siblings .previous_siblings 属性

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

1
2
3
4
5
6
7
8
sibling  soup.a.next_siblings:
    (repr(sibling))
    # u
    # <a = = =>Lacie</a>
    # u
    # <a = = =>Tillie</a>
    # u
    # None

(9)前后节点

知识点:.next_element .previous_element 属性

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

1
The Dormouse's story

那么它的下一个节点便是 title,它是不分层次关系的

1
2
soup.head.next_element

(10)所有前后节点

知识点:.next_elements .previous_elements 属性

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

1
2
3
4
5
6
7
8
9
for element  last_a_tag.next_elements:
    print(repr(element))
# u
# u
# u
# <p =>...</p>
# u
# u
# None

以上是遍历文档树的基本用法。

7. 搜索文档树

(1)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 1)name 参数 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 A. 传字符串 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

1
2
soup.find_all(')
#
1
2
print soup.find_all('a')
#[, Lacie, Tillie]

B. 传正则表达式 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 和标签都应该被找到

1
2
3
4
5
import re
for   soup.find_all(re.compile()):
    print(.name)

C. 传列表 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标签和标签

1 2 3 4 5soup.find_all([, ]) # [<b>The Dormouse story</b>, #  <a = href= id=>Elsie</a>, #  <a = href= id=>Lacie</a>, #  <a = href= id=>Tillie</a>]D. 传 True 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1 2 3 4 5 6 7 8 9 10 11 tag in soup.find_all(True):     print(tag.name)

E. 传方法 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:

1
2
tag.has_attr()   tag.has_attr()

将这个方法作为参数传入 find_all () 方法,将得到所有

标签:

1
2
3
4
soup.find_all(has_class_but_no_id)
# [The Dormouse's story,
#  Once upon a time there were...,
#  ...]

2)keyword 参数

注意: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

1
2
soup.find_all(id='link2')
#

如果传入 href 参数,Beautiful Soup 会搜索每个 tag 的”href” 属性

1
2
soup.find_all(href=re.compile())
#

使用多个指定名字的参数可以同时过滤 tag 的多个属性

1
2
soup.find_all(href=re.compile(), id='link1')
#

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

1
2
3
4
soup.find_all(, class_=)
# [<a = href= id=>Elsie</a>,
#  <a = href= id=>Lacie</a>,
#  <a = href= id=>Tillie</a>]

有些 tag 属性在搜索不能使用,比如 HTML5 中的 data-* 属性

1
2
3
data_soup = BeautifulSoup('< -=>!</>')
data_soup.find_all(-=)
# SyntaxError: keyword can't be an expression

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

1
2
data_soup.find_all(attrs={: })
#

3)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

1
2
3
4
5
6
7
8
soup.find_all(text=)

soup.find_all(text=[, , ])

soup.find_all(text=re.compile())
[, ]

4)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

1
2
3
soup.find_all(, limit=)
# [<a = href= id=>Elsie</a>,
#  <a = href= id=>Lacie</a>]

5)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 . 一段简单的文档:

1
2
3
4
5
6
7
The Dormouse's story

...

是否使用 recursive 参数的搜索结果:

1
2
3
4
5
soup.html.find_all()
# 

soup.html.find_all(, recursive=False)
# []

(2)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

(3)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

(4)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

(5)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

(6)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

(7)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

注:以上(2)(3)(4)(5)(6)(7)方法参数用法与 find_all () 完全相同,原理均类似,在此不再赘述。

8.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

(1)通过标签名查找

1
2
print soup.select('title')
#
1
2
print soup.select('a')
#[, Lacie, Tillie]
1
2
print soup.select(')
#

(2)通过类名查找

1
2
print soup.select('.sister')
#[, Lacie, Tillie]

(3)通过 id 名查找

1
2
print soup.select('#link1')
#[]

(4)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

1
2
print soup.select('p #link1')
#[]

直接子标签查找

1
2
print soup.select()
#

(5)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。

1
2
print soup.select('a[class="sister"]')
#[, Lacie, Tillie]
1
2
print soup.select('a[href="http://example.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

1
2
print soup.select('p a[href="http://example.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。

1
2
3
4
5
6
soup = BeautifulSoup(html, )
 (soup.())
 soup.()[].get_text()

 title in soup.():
     title.get_text()

好,这就是另一种与 find_all 方法有异曲同工之妙的查找方法,是不是感觉很方便?

总结

本篇内容比较多,把 Beautiful Soup 的方法进行了大部分整理和总结,不过这还不算完全,仍然有 Beautiful Soup 的修改删除功能,不过这些功能用得比较少,只整理了查找提取的方法,希望对大家有帮助!小伙伴们加油! 熟练掌握了 Beautiful Soup,一定会给你带来太多方便,加油吧!

(0)

相关推荐

    Database error: [You have an error in your SQL syntax; check the manual that corresponds to your MariaDB server version for the right syntax to use near '' at line 1]

    select ID from ac_posts where ziID =  ;