【python爬虫基础入门】系列是对python爬虫的一个入门练习实践,旨在用最浅显易懂的语言,总结最明了,最适合自己的方法,本人一直坚信,总结才会使人提高
1. BeautifulSoup库简介
BeautifulSoup库在python中被美其名为“靓汤”,它和和 lxml 一样也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,若在没用安装此库的情况下, Python 会使用 Python默认的解析器lxml,lxml 解析器更加强大,速度更快,而BeautifulSoup库中的lxml解析器则是集成了单独的lxml的特点,使得功能更加强大。
需要注意的是,Beautiful Soup已经自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。因此在使用它的时候不需要考虑编码方式,仅仅需要说明一下原始编码方式就可以了。
使用pip命令工具安装BeautifulSoup4库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ BeautifulSoup # 使用清华大学镜像源安装
2. BeautifulSoup库的主要解析器
在代码中 html.parser
是一种针对于html网页页面的解析器,Beautiful Soup库还有其他的解析器,用于针对不同的网页
demo = 'https://www.baidu.com' soup = BeautifulSoup(demo,'html.parser')
解析器
使用方法
条件
bs4的html解析器
BeautifulSoup(demo,‘html.parser')
安装bs4库
lxml的html解析器
BeautifulSoup(demo,‘lxml')
pip install lxml
lxml的xml解析器
BeautifulSoup(demo,‘xml')
pip install lxml
html5lib的解析器
BeautifulSoup(demo,‘html5lib')
pip install html5lib
3. BeautifulSoup的简单使用
假如有一个简单的网页,提取百度搜索页面的一部分源代码为例
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type" /> <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> <meta content="always" name="referrer" /> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min. css" rel="stylesheet" type="text/css" /> <title>百度一下,你就知道 </title> </head> <body link="#0000cc"> <div > <div > <div > <div > <a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews">新闻 </a> <a href="https://www.hao123.com" rel="external nofollow" name="tj_trhao123">hao123 </a> <a href="http://map.baidu.com" rel="external nofollow" name="tj_trmap">地图 </a> <a href="http://v.baidu.com" rel="external nofollow" name="tj_trvideo">视频 </a> <a href="http://tieba.baidu.com" rel="external nofollow" name="tj_trtieba">贴吧 </a> <a href="//www.baidu.com/more/" rel="external nofollow" name="tj_briicon" >更多产品 </a> </div> </div> </div> </div> </body> </html>
结合requests库和使用BeautifulSoup库的html解析器,对其进行解析有如下
import requests from bs4 import BeautifulSoup # 使用Requests库加载页面代码 r = requests.get('https://www.baidu.com') r.raise_for_status() # 状态码返回 r.encoding = r.apparent_encoding demo = r.text # 使用BeautifulSoup库解析代码 soup = BeautifulSoup(demo,'html.parser') # 使用html的解析器 print(soup.prettify()) # prettify 方式输出页面
4. BeautifuSoup的类的基本元素
BeautifulSoup4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,BeautifulSoup库有针对于html的标签数的特定元素,重点有如下三种
<p > ... </p>
- Tag
- NavigableString
- Comment
- BeautifulSoup
基本元素
说明
Tag
标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾,格式:soup.a或者soup.p(获取a标签中或者p标签中的内容)
Name
标签的名字,
…
的名字是‘p' 格式为:.name Attributes 标签的属性,字典形式组织,格式:.attrs NavigableString 标签内非属性字符串,<>…</>中的字符串,格式:.string Comment 标签内的字符串的注释部分,一种特殊的Comment类型4.1 Tag
标签是html中的最基本的信息组织单元,使用方式如下
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title) # 获取title标签的所有内容 print(bs.head) # 获取head标签的所有内容 print(bs.a) # 获取第一个a标签的所有内容 print(type(bs.a)) # 类型
在Tag标签中最重要的就是html页面中的name哈attrs属性,使用方式如下
print(bs.name) print(bs.head.name) # head 之外对于其他内部标签,输出的值便为标签本身的名称 print(bs.a.attrs) # 把 a 标签的所有属性打印输出了出来,得到的类型是一个字典。 print(bs.a['class']) # 等价 bs.a.get('class') 也可以使用get方法,传入属性的名称,二者是等价的 bs.a['class'] = "newClass" # 对这些属性和内容进行修改 print(bs.a) del bs.a['class'] # 对这个属性进行删除 print(bs.a)
4.2 NavigableString
NavigableString中的string方法用于获取标签内部的文字
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title.string) print(type(bs.title.string))
4.3 Comment
Comment 对象是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号,用于输出注释中的内容
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.a) # 标签中的内容<a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews"><!--新闻--></a> print(bs.a.string) # 新闻 print(type(bs.a.string)) # <class 'bs4.element.Comment'>
5. 基于bs4库的HTML内容的遍历方法
在HTML中有如下特定的基本格式,也是构成HTML页面的基本组成成分
而在这种基本的格式下有三种基本的遍历流程
- 下行遍历
- 上行遍历
- 平行遍历
三种种遍历方式分别是从当前节点出发。对之上或者之下或者平行的格式以及关系进行遍历
5.1 下行遍历
下行遍历有三种遍历的属性,分别是
- contents
- children
- descendants
属性
说明
.contents
子节点的列表,将所有儿子节点存入列表
.children
子节点的迭代类型,用于循环遍历儿子节点
.descendants
子孙节点的迭代类型,包含所有子孙节点,用于循环遍历
使用举例
soup = BeautifulSoup(demo,'html.parser') # 循环遍历儿子节点 for child in soup.body.children: print(child) # 循环遍历子孙节点 for child in soup.body.descendants: print(child) # 输出子节点的列表形式 print(soup.head.contents) print(soup.head.contents[1]) # 用列表索引来获取它的某一个元素
5.2 上行遍历
上行遍历有两种方式
- parent
- parents
soup = BeautifulSoup(demo,'html.parser') for parent in soup.a.parents: if parent is None: parent(parent) else: print(parent.name)
5.3 平行遍历
平行遍历有四种属性
- next_sibling
- previous_sibling
- next_siblings
- previous_siblings
属性
说明
.next_sibling
返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling
返回按照HTML文本顺序的上一个平行节点标签
.next_siblings
迭代类型,返回按照html文本顺序的后续所有平行节点标签
.previous_siblings
迭代类型,返回按照html文本顺序的前序所有平行节点标签
平行遍历举例如下
for sibling in soup.a.next_sibling: print(sibling) # 遍历后续节点 for sibling in soup.a.previous_sibling: print(sibling) # 遍历
5.4 其他遍历
6. 文件树搜索
使用soup.find_all(name,attrs,recursive,string,**kwargs)
方法,用于返回一个列表类型,存储查找的结果
- name:对标签名称的检索字符串
- attrs:对标签属性值得检索字符串,可标注属性检索
- recursive:是否对子孙全部检索,默认为
- Truestring:用与在信息文本中特定字符串的检索
6.1 name参数
如果是指定的字符串:会查找与字符串完全匹配的内容,如下
a_list = bs.find_all("a") print(a_list) # 将会返回所有包含a标签的内容
如果是使用正则表达式:将会使用BeautifulSoup4中的search()方法来匹配内容,如下
from bs4 import BeautifulSoup import re html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") t_list = bs.find_all(re.compile("a")) for item in t_list: print(item) # 输出列表
如果传入一个列表:BeautifulSoup4将会与列表中的任一元素匹配到的节点返回,如下
t_list = bs.find_all(["meta","link"]) for item in t_list: print(item)
如果传入一个函数或者方法:将会根据函数或者方法来匹配
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") def name_is_exists(tag): return tag.has_attr("name") t_list = bs.find_all(name_is_exists) for item in t_list: print(item)
6.2 attrs参数
并不是所有的属性都可以使用上面这种方式进行搜索,比如HTML的data属性,用于指定属性搜索
t_list = bs.find_all(data-foo="value")
6.3 string参数
通过通过string参数可以搜索文档中的字符串内容,与name参数的可选值一样,string参数接受字符串,正则表达式,列表
from bs4 import BeautifulSoup import re html = 'https://www.baidu.com' bs = BeautifulSoup(html, "html.parser") t_list = bs.find_all(attrs={"data-foo": "value"}) for item in t_list: print(item) t_list = bs.find_all(text="hao123") for item in t_list: print(item) t_list = bs.find_all(text=["hao123", "地图", "贴吧"]) for item in t_list: print(item) t_list = bs.find_all(text=re.compile("\d")) for item in t_list: print(item)
使用find_all()方法的时,常用到正则表达式的形式import re
如下所示
soup.find_all(sring = re.compile('pyhton')) # 指定查找内容 # 或者指定使用正则表达式要搜索的内容 sring = re.compile('pyhton') # 字符为python soup.find_all(string) # 调用方法模板
6.4 常用的fiid()方法如下
7. 总结参考
此文列举了BeautifulSoup库在爬虫中的基本使用,不正确之处望指教,参考
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
更新日志
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]