Python爬蟲beautifulsoup4常用的解析方法總結(jié)

更新時間：2019年02月25日 10:39:41 作者：Lee_Tech

今天小編就為大家分享一篇關(guān)于Python爬蟲beautifulsoup4常用的解析方法總結(jié)，小編覺得內(nèi)容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧

摘要

如何用beautifulsoup4解析各種情況的網(wǎng)頁

beautifulsoup4的使用

關(guān)于beautifulsoup4，官網(wǎng)已經(jīng)講的很詳細了，我這里就把一些常用的解析方法做個總結(jié)，方便查閱。

裝載html文檔

使用beautifulsoup的第一步是把html文檔裝載到beautifulsoup中，使其形成一個beautifulsoup對象。

import requests
from bs4 import BeautifulSoup
url = "http://new.qq.com/omn/20180705/20180705A0920X.html"
r = requests.get(url)
htmls = r.text
#print(htmls)
soup = BeautifulSoup(htmls, 'html.parser')

初始化BeautifulSoup類時，需要加入兩個參數(shù)，第一個參數(shù)即是我們爬到html源碼，第二個參數(shù)是html解析器，常用的有三個解析器，分別是”html.parser”,”lxml”,”html5lib”，官網(wǎng)推薦用lxml，因為效率高，當然需要pip install lxml一下。

當然這三種解析方式在某些情況解析得到的對象內(nèi)容是不同的，比如對于標簽不完整這一情況（p標簽只有一半）：

soup = BeautifulSoup("<a></p>", "html.parser")
# 只有起始標簽的會自動補全，只有結(jié)束標簽的灰自動忽略
# 結(jié)果為：<a></a>
soup = BeautifulSoup("<a></p>", "lxml")
#結(jié)果為：<html><body><a></a></body></html>
soup = BeautifulSoup("<a></p>", "html5lib")
# html5lib則出現(xiàn)一般的標簽都會自動補全
# 結(jié)果為：<html><head></head><body><a><p></p></a></body></html>

使用

在使用中，我盡量按照我使用的頻率介紹，畢竟為了查閱~

按照標簽名稱、id、class等信息獲取某個標簽

html = '<p class="title" id="p1"><b>The Dormouses story</b></p>'
soup = BeautifulSoup(html, 'lxml')
#根據(jù)class的名稱獲取p標簽內(nèi)的所有內(nèi)容
soup.find(class_="title")
#或者
soup.find("p",class_="title" id = "p1")
#獲取class為title的p標簽的文本內(nèi)容"The Dormouse's story"
soup.find(class_="title").get_text()
#獲取文本內(nèi)容時可以指定不同標簽之間的分隔符，也可以選擇是否去掉前后的空白。
soup = BeautifulSoup('<p class="title" id="p1"><b> The Dormouses story </b></p><p class="title" id="p1"><b>The Dormouses story</b></p>', "html5lib")
soup.find(class_="title").get_text("|", strip=True)
#結(jié)果為：The Dormouses story|The Dormouses story
#獲取class為title的p標簽的id
soup.find(class_="title").get("id")
#對class名稱正則：
soup.find_all(class_=re.compile("tit"))
#recursive參數(shù)，recursive=False時，只find當前標簽的第一級子標簽的數(shù)據(jù)
soup = BeautifulSoup('<html><head><title>abc','lxml')
soup.html.find_all("title", recursive=False)

按照標簽名稱、id、class等信息獲取多個標簽

soup = BeautifulSoup('<p class="title" id="p1"><b> The like story </b></p><p class="title" id="p1"><b>The Dormouses story</b></p>', "html5lib")
#獲取所有class為title的標簽
for i in soup.find_all(class_="title"):
  print(i.get_text())
#獲取特定數(shù)量的class為title的標簽
for i in soup.find_all(class_="title",limit = 2):
  print(i.get_text())

按照標簽的其他屬性獲取某個標簽

html = '<a alog-action="qb-ask-uname" href="/usercent" rel="external nofollow" target="_blank">蝸牛宋</a>'
soup = BeautifulSoup(html, 'lxml')
# 獲取"蝸牛宋",此時，該標簽里既沒有class也沒有id，需要根據(jù)其屬性來定義獲取規(guī)則
author = soup.find('a',{"alog-action":"qb-ask-uname"}).get_text()
#或
author = soup.find(attrs={"alog-action": "qb-ask-uname"})

找前頭和后頭的標簽

soup.find_all_previous("p")
soup.find_previous("p")
soup.find_all_next("p")
soup.find_next("p")

找父標簽

soup.find_parents("div")
soup.find_parent("div")

css選擇器

soup.select("title") #標簽名
soup.select("html head title") #多級標簽名
soup.select("p > a") #p內(nèi)的所有a標簽
soup.select("p > #link1") #P標簽內(nèi)，按id查標簽
soup.select("#link1 ~ .sister") #查找相同class的兄弟節(jié)點
soup.select("#link1 + .sister")
soup.select(".sister") #按class名稱查
soup.select("#sister") #按id名稱查
soup.select('a[ rel="external nofollow" ]') # 按標簽的屬性查
soup.select('a[href$="tillie"]')
soup.select_one(".sister")

注意幾個可能出現(xiàn)的錯誤，可以用try捕獲來防止爬蟲進程