解析库beautifulsoup的介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库
#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 .根据操作系统不同,可以选择下列方法来安装lxml: pip install lxml
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
bs4的使用
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" id="id_p"><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> """ # pip3 install lxml soup=BeautifulSoup(html_doc,'lxml') # 美化 print(soup.prettify()) # 遍历文档树 # 1.用法(通过.来查找，只能找到第一个) head = soup.head # Tag对象 title = head.title print(head) print(title) print(soup.p) # 因为有多个p，所以只能找到第一个 # 2.获取标签的名称 b = soup.body print(b.name) # 3.获取标签的属性 # 方式一 print(soup.p['class']) # class因为可以有多个，所以获取的是个列表 print(soup.p['id']) # 方式二 print(soup.p.attrs['class']) print(soup.p.attrs.get('id')) # 4.获取标签的内容 print(soup.p.string) # p下的文本只有一个时能取到， 否则为None print(list(soup.p.strings)) #拿到一个生成器对象, 取到p下所有的文本内容 print(soup.p.text) #取到p下所有的文本内容 # 5.嵌套选择 title=soup.head.title print(title) # 6.子节点、子孙节点 p1=soup.p.children # 迭代器 p2=soup.p.contents # 列表 print(list(p1)) print(p2) # 7.父节点、祖先节点 print(soup.p.parent) # 父节点 print(list(soup.p.parents)) # 生成器 # 8.兄弟节点 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=>生成器对象 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象 # 搜索文档树（find，find_all），速度比遍历文档树慢 # 两个配合着使用（soup.p.find()） """ 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 . """ # 五种过滤器: 字符串、正则表达式、列表、True、方法 # 以find为例 # 一、字符串查找 字符串：即标签名 b=soup.find(name='body') print(b) # 查找类名是title的所有标签 class_ print(soup.find_all(class_='title')) # 找href为http://example.com/elsie的标签 print(soup.find_all(href='http://example.com/elsie')) # 二、正则表达式 import re reg = re.compile('^b') print(soup.find_all(name=reg)) # 三、列表 # ret=soup.find_all(name=['body','b']) # ret=soup.find_all(id=['id_p','link1']) # ret=soup.find_all(class_=['id_p','link1']) # and 关系 ret=soup.find_all(class_='title',name='p') print(ret) # 四、True # 所有有id的标签 print(soup.find_all(id=True)) # 五、方法 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)) # 六、其他使用 ret=soup.find_all(attrs={'class':"title"}) print(ret) # 七、拿到标签，取属性，取text ret=soup.find_all(attrs={'id':"id_p",'class':'title'}) print(ret[0].text) # 八、limit：参数限制返回结果的数量 # soup.find() 其实就是find_all limit=1 ret=soup.find_all(name=True,limit=2) print(len(ret)) # 九、recursive：调用tag的find_all()方法时,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 ret=soup.body.find_all(name='p',recursive=False) print(ret)
bs4的css选择器
注意：
Tag对象.select("css选择器")
例如：
#ID号
.类名
div>p：儿子 和div p：子子孙孙
找div下最后一个a标签 div a:last-child
bs4：有自己的选择器，css选择器
lxml：css选择器，xpath选择器
selenium：自己的选择器，css选择器，xpath选择器
scrapy框架：自己的选择器，css选择器，xpath选择器
#该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37 html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"> <b>The Dormouse's story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>; <div class='panel-1'> <ul class='list' id='list-1'> <li class='element'>Foo</li> <li class='element'>Bar</li> <li class='element'>Jay</li> </ul> <ul class='list list-small' id='list-2'> <li class='element'><h1 class='yyyy'>Foo</h1></li> <li class='element xxx'>Bar</li> <li class='element'>Jay</li> </ul> </div> and they lived at the bottom of a well. </p> <p class="story">...</p> """ from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') #1、CSS选择器 print(soup.p.select('.sister')) print(soup.select('.sister span')) print(soup.select('#link1')) print(soup.select('#link1 span')) print(soup.select('#list-2 .element.xxx')) print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了 # 2、获取属性 print(soup.select('#list-2 h1')[0].attrs) # 3、获取内容 print(soup.select('#list-2 h1')[0].get_text())