zoukankan html css js c++ java

Python网络爬虫之BeautifulSoup模块

一.介绍：

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4。安装步骤如下：

#安装 Beautiful Soup  我们在爬虫中一般推荐使用lxml解析器，因为其爬取效率比较高
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:

$ apt-get install Python-lxml

$ easy_install 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:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

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")`	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

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

二.基本使用

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>
"""

#基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') #具有容错功能
res=soup.prettify() #处理好缩进，结构化显示
print(res)

1.通过标签寻定位，如果有多个标签，那么只返回第一个，看下面的例子：

# 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 id="my p" class="title"><b id="bbb" class="boldest">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>
"""

# 1、用法
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串
# soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象

print(soup.p)  # 存在多个相同的标签则只返回第一个
print(soup.a)  # 存在多个相同的标签则只返回第一个

打印结果如下：

print(soup.p) 上面有2个p标签，只返回找到的第一个p标签
<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>


print(soup.a)  只返回找到的第一个a标签
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

2.获取标签的属性：

# _*_ coding:utf-8 _*_
# 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 id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</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>
"""

# 1、用法
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串
# # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象
#
# print(soup.p)  # 存在多个相同的标签则只返回第一个
# # print(soup.a)  # 存在多个相同的标签则只返回第一个
#
# # 2、获取标签的名称
# print(soup.p.name)  # 打印 p
#
# # 3、获取标签的属性
# """
# 打印找到的第一个p标签的属性，属性被封装为字典：  {'class': ['title'], 'id': 'my p'}
# 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>
# """
# print(soup.p.attrs)

# # 4、获取标签的内容
"""
表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None
当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
打印出The Dormouse's story
当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p>
相当于多了一个换行符，那么就打印出None
又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None

"""
# print(soup.p.string)  # p下的文本只有一个时，取到，否则为None
# print(soup.p.strings)  # 拿到一个生成器对象, 取到p标签下下所有的文本内容
# # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8>
# print(list(soup.p.strings))  # 打印结果: ["The Dormouse's story", '111']
"""
查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行：
打印结果如下：
The Dormouse's story
The Dormouse's story
111
Once upon a time there were three little sisters; and their names were
Elsie
,
Lacie
and
Tillie
;
and they lived at the bottom of a well.
...
"""
# for line in soup.stripped_strings:  # 去掉空白
#     print(line)


'''
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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
<p id='list-1'>
    哈哈哈哈
    <a class='sss'>
        <span>
            <h1>aaaa</h1>
        </span>
    </a>
    <b>bbbbb</b>
</p>
'''

接着看下面的：

# _*_ coding:utf-8 _*_
# 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 id="my p" class="title">
    aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd
    <ul>
        spark很重要
        <li>python</li>
    </ul>
</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>
"""

# 1、用法
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 第一个参数直接是一个标签文档字符串
# # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象
#
# print(soup.p)  # 存在多个相同的标签则只返回第一个
# # print(soup.a)  # 存在多个相同的标签则只返回第一个
#
# # 2、获取标签的名称
# print(soup.p.name)  # 打印 p
#
# # 3、获取标签的属性
# """
# 打印找到的第一个p标签的属性，属性被封装为字典：  {'class': ['title'], 'id': 'my p'}
# 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>
# """
# print(soup.p.attrs)

# # 4、获取标签的内容
"""
表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None
当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
打印出The Dormouse's story
当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p>
相当于多了一个换行符，那么就打印出None
又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None

"""
# print(soup.p.string)  # p下的文本只有一个时，取到，否则为None
# print(soup.p.strings)  # 拿到一个生成器对象, 取到p标签下下所有的文本内容
# # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8>
# print(list(soup.p.strings))  # 打印结果: ["The Dormouse's story", '111']
"""
查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行：
打印结果如下：
The Dormouse's story
The Dormouse's story
111
Once upon a time there were three little sisters; and their names were
Elsie
,
Lacie
and
Tillie
;
and they lived at the bottom of a well.
...
"""
# for line in soup.stripped_strings:  # 去掉空白
#     print(line)


'''
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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
<p id='list-1'>
    哈哈哈哈
    <a class='sss'>
        <span>
            <h1>aaaa</h1>
        </span>
    </a>
    <b>bbbbb</b>
</p>
'''

# 5、嵌套选择  打印结果：The Dormouse's story
# print(soup.head.title.string)
# 由于此时有三个a标签，但是这样嵌套寻找只找到第一个，所以只打印出Elsie
# print(soup.body.a.string)


# 6、子节点、子孙节点
"""
打印结果如下所示：
[<b class="boldest" id="bbb">The Dormouse's story</b>, '111']
可以看到这样也只是定位到第一个p标签：
<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
相当于打印的就是第一个p标签内部的所有元素，包括子节点和文本，我们再来测试下：
<p id="my p" class="title">
    aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd
    <ul>
        spark很重要
        <li>python</li>
    </ul>
</p>

这是文档中的第一个p标签，那么print(soup.p.contents)的打印结果如下:
['
    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd
    ']
可以看到它找到的是第一个子标签和子文本
"""
# print(soup.p.contents) #p下所有子节点
# print(soup.p.children) #得到一个迭代器,包含p下所有子节点
# print(list(soup.p.children))
# <list_iterator object at 0x000001FD6AA47A20>
# ['
    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd
    ']
"""
打印结果如下：
0 
    aaa
1 <b class="boldest" id="bbb">The Dormouse's story</b>
2 ddd

"""
# for i,child in enumerate(soup.p.children):
#     print(i,child)

"""
打印结果如下：
<generator object descendants at 0x0000017D7863F3B8>
['
    aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, "The Dormouse's story", 'ddd
    ']
"""
# print(soup.p.descendants)  # 获取子孙节点,p下所有的标签都会选择出来
# print(list(soup.p.descendants))
# for i, child in enumerate(soup.p.descendants):
#     print(i, child)
#
# #7、父节点、祖先节点
# print(soup.a.parent)  # 获取a标签的父节点，其父节点是p标签，所以打印结果如下：
"""
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
"""
# 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...
# print(list(soup.a.parents))

# 8、兄弟节点
# print('=====>')
# 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

继续看bs中的五种过滤器

# _*_ coding:utf-8 _*_

# 搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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 BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

# 1、五种过滤器: 字符串、正则表达式、列表、True、方法
# 1.1、字符串：即标签名
# print(soup.find_all('b'))
"""
结果是一个列表：
[<b class="boldest" id="bbb">The Dormouse's story</b>]
"""

# 1.2、正则表达式
import re
#
# print(soup.find_all(re.compile("^b")))  # 找出b开头的标签，结果有body和b标签
"""
打印结果如下：
[<body>
<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>, <b class="boldest" id="bbb">The Dormouse's story</b>]


"""
#
# # 1.3、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<a>标签和<b>标签:
# print(soup.find_all(['a', 'b']))
"""
返回结果仍然是一个列表:
[<b class="boldest" id="bbb">The Dormouse's story</b>,
 <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, 
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
"""
#
# # 1.4、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
# print(soup.find_all(True))
# 例如我再需要查找到文档中所有包含id的标签：
# print(soup.find_all(id=True))
"""
返回结果如下，是一个列表:
[<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>, <b class="boldest" id="bbb">The Dormouse's story</b>, 
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, 
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
"""
"""
找到文档中的所有标签:

"""
# for tag in soup.find_all(True):
#     print(tag.name)
#
#
# # 1.5、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 ,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
"""
下面方法表示寻找到标签中有class属性，但是没有id属性的标签，打印结果如下：
[<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>, <p class="story">...</p>]
可以看到两个p标签只有class属性，但是没有id属性
"""
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))

重点方法之find_all( name , attrs , recursive , text , **kwargs )

查看全文

相关阅读:
mybatis自动生成代码配置文件
 Struts2的类型转换器
 CSS布局自适应高度终极方法
 Winform WebBrowser控件对访问页面执行、改写、添加Javascript代码
 利用using语句解决Lock抛出异常时发生死锁的问题
 Flash与Silverlight终极大比拼
 System.Collections.Specialized.NameValueCollection PostVars
Hook浏览器控件WebBrowser对WININET.dll的调用
 WebBrowser中打开新页面保留sessionid
Linksys路由器自动重启加流量

原文地址：https://www.cnblogs.com/pyspark/p/8277231.html