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

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。
https://pypi.org/search/?q=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

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:

pip install 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。

soup.find_all('b')

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()

Python爬虫正则表达式

Python爬虫lxml