文章目录
- 1、BeautifulSoup简介
- 2、BeautifulSoup安装
- 3、BeautifulSoup简单使用
- 4、遍历文档树
- 5、搜索文档树
- 5.1 find_all()
- 5.2 find()
- 5.3 五种过滤器
1、BeautifulSoup简介
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。
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。
中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
2、BeautifulSoup安装
#安装 Beautiful Soup
pip install beautifulsoup4#安装解析器
#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:
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:
pip install html5lib
下表列出了主要的解析器,以及它们的优缺点:
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 | 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、BeautifulSoup简单使用
from urllib.request import urlopen
from bs4 import BeautifulSouphtml = urlopen('http://www.pythonscraping.com/pages/page1.html')
bs = BeautifulSoup(html.read(), 'html.parser')
print(bs.h1)
print(bs.title)
print(bs.prettify()) # html文本美化
简单的异常处理:
from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoupdef getTitle(url):try:html = urlopen(url)except HTTPError as e: #URL错误会返回HTTPError异常return Nonetry:bs = BeautifulSoup(html.read(), 'html.parser')title = bs.h1except AttributeError as e: #调用None对象的子标签时会返回AttributeError异常return Nonereturn titleif __name__ == '__main__':title = getTitle('http://pythonscraping.com/pages/page1.html')if title == None:print('Title could not find')else:print(title)
将两行BeautifulSoup封装在一个try语句中,两行中有一行有问题都可能抛出AttributeError(如果服务器不存在,html就是一个None对象,html.read()
就会抛出AttributeError)。
4、遍历文档树
遍历文档树:即直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。
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 BeautifulSoupsoup = BeautifulSoup(html_doc, 'lxml')# 基本用法
# 1、直接.标签名
print(soup)
print(soup.title)
print(soup.a) # 返回第一个a标签# 2、获取标签的名称 了解即可
print(soup.p.name)# 3、获取标签的属性
print(soup.a.attrs) # 第一个a标签的所有属性
print(type(soup.a.attrs)) # 返回所有标签属性的类型 dict
print(soup.a.attrs.get('id')) # dict类型可以get取值
print(soup.a.attrs.get('href'))
print(soup.a.attrs.get('class'))# 4、获取标签的文本内容
# 获取第一个a标签中的文本内容
print(soup.a.text)# 5、嵌套选择
# xml
'''
<info> # 父标签<name>Lili</name><gf>Tom</gf>
</info>
'''
print(soup.prettify()) # 文本美化
print(type(soup.html)) # 可以嵌套选择
print(type(soup.html.head.title))
print(soup.html.head.title)# 6、子节点、子孙节点
print(soup) # 注意: 换行符也算一个 节点
print(soup.body.contents) # body下所有子节点,返回的是一个列表
print(len(soup.body.contents)) # body下所有子节点# 优先使用children
print(soup.body.children) # 得到一个迭代器,包含p下所有子节点
print(list(soup.body.children)) # 得到一个迭代器,包含p下所有子节点
for children in soup.body.children:print(children)# 7、父节点、祖先节点
print(soup)
print(soup.a.parent) # 获取a标签的父节点
print(soup.a.parents) # 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... 它也是一个迭代器
print(list(soup.a.parents)) # 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(len(list(soup.a.parents))) # 4# 8、兄弟节点
print(soup)
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(下面的所有兄弟)=>生成器对象
print(len(list(soup.a.next_siblings))) # 7 内容也算是
print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象
print(list(soup.a.previous_siblings)) # 上面的兄弟们=>生成器对象
5、搜索文档树
Beautiful Soup定义了很多搜索方法,这里着重介绍2个:find()
和 find_all()
。
5.1 find_all()
find_all(name, attrs, recursive, text, **kwargs )
import re
#1、name: 搜索name参数的值可以使任一类型的 过滤器, 字符串, 正则表达式, 列表, 方法或是 True .
print(soup.find_all(name=re.compile('^t')))#2、keyword: key=value的形式,value可以是过滤器:字符串, 正则表达式, 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'), id=re.compile('\d'))) # 注意类要用class_
print(soup.find_all(id=True)) # 查找有id属性的标签# 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
# data_soup.find_all(data-foo="value") # 报错: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:
print(data_soup.find_all(attrs={'data-foo': 'value'}))
# [<div data-foo="value">foo!</div>]#3、按照类名查找,注意关键字是class_,class_=value,value可以是五种选择器之一
print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签,顺序错误也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签#4、attrs
print(soup.find_all('p',attrs={'class':'story'}))#5、text: 值可以是:字符,列表,True,正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))#6、limit参数: 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
print(soup.find_all('a',limit=2))#7、recursive: 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 .
print(soup.html.find_all('a'))
print(soup.html.find_all('a', recursive=False))'''
像调用 find_all() 一样调用tag
find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
soup.find_all("a")
soup("a")
这两行代码也是等价的:
soup.title.find_all(text=True)
soup.title(text=True)
'''
5.2 find()
find( name, attrs, recursive, text, **kwargs )
# find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
print(soup.find_all('title', limit=1))
# [<title>The Dormouse's story</title>]
print(soup.find('title'))
# <title>The Dormouse's story</title># 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_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None
print(soup.find("nosuchtag"))
# None# soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
print(soup.head.title)
# <title>The Dormouse's story</title>
print(soup.find("head").find("title"))
# <title>The Dormouse's story</title>
5.3 五种过滤器
(1)字符串过滤器
# 根据name查找节点标签
a_tag = soup.find(name='a') # 查找的是第一个a标签
print(a_tag)
print(soup.find(name='p'))# 根据attrs属性查找节点标签
a_tag = soup.find(attrs={"id": "link2"}) # id=link2
print(a_tag)# 根据文本找节点
a_tag = soup.find(text="The Dormouse's story")
print(a_tag)# name与attrs配合使用
res = soup.find(name='a', attrs={'id': 'link3'})
res = soup.find(name='a', attrs={'id': 'link3'}, text='Tillie')
print(res)
(2)正则过滤器
import re
# 查找class属性值中包含 s的节点 # 选择第一个
res1 = soup.find(attrs={'class': re.compile('s')})
print(res1)
# 查找标签名字中包含it的节点 # 选择第一个
res2 = soup.find(name=re.compile('it'))
print(res2)
正则表达式的用法可参考:https://www.runoob.com/regexp/regexp-syntax.html
(3)列表过滤器
# 获取第一个a标签 或 p标签的节点
res1 = soup.find(name=['a', 'p'])
print(res1)# 获取所有的a标签与p标签的节点
res2 = soup.find_all(name=['a', 'p'])
print(res2)
(4)bool过滤器(了解即可)
print(soup.find_all(True)) # 获取所有为真的标签
for tag in soup.find_all(True):print(tag.name)
(5)方法过滤器
# 函数用于判断节点中有class没有id的节点,并将该节点返回
def has_class_but_no_id(tag):return tag.has_attr('class') and not tag.has_attr('id')print(soup.find_all(has_class_but_no_id))
(6)CSS过滤器
print(soup.select('#link1')) # 查找id为link1的节点
print(soup.select('.story')) # 查找类为story的节点