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!