python爬蟲學習筆記之Beautifulsoup模塊用法詳解

更新時間：2020年04月09日 11:26:50 作者：隨風行云

這篇文章主要介紹了python爬蟲學習筆記之Beautifulsoup模塊用法,結(jié)合實例形式詳細分析了python爬蟲Beautifulsoup模塊基本功能、原理、用法及操作注意事項,需要的朋友可以參考下

本文實例講述了python爬蟲學習筆記之Beautifulsoup模塊用法。分享給大家供大家參考，具體如下：

什么是beautifulsoup:

是一個可以從HTML或XML文件中提取數(shù)據(jù)的Python庫.它能夠通過你喜歡的轉(zhuǎn)換器實現(xiàn)慣用的文檔導航,查找,修改文檔的方式.（官方）
beautifulsoup是一個解析器，可以特定的解析出內(nèi)容，省去了我們編寫正則表達式的麻煩。

Beautiful Soup 3 目前已經(jīng)停止開發(fā),我們推薦在現(xiàn)在的項目中使用Beautiful Soup 4

beautifulsoup的版本：最新版是bs4

bs4的使用：

1.導入模塊：

from bs4 import beautifulsoup

2.選擇解析器解析指定內(nèi)容：

soup=beautifulsoup(解析內(nèi)容,解析器)

常用解析器：html.parser,lxml,xml,html5lib

有時候需要安裝安裝解析器：比如pip3 install lxml

BeautifulSoup默認支持Python的標準HTML解析庫，但是它也支持一些第三方的解析庫：

解析器之間的區(qū)別 #此處摘自官方文檔

Beautiful Soup為不同的解析器提供了相同的接口,但解析器本身時有區(qū)別的.同一篇文檔被不同的解析器解析后可能會生成不同結(jié)構(gòu)的樹型文檔.區(qū)別最大的是HTML解析器和XML解析器,看下面片段被解析成HTML結(jié)構(gòu):
BeautifulSoup("<a></a>")
# <html><head></head><body><a></a></body></html>
因為空標簽不符合HTML標準,所以解析器把它解析成

同樣的文檔使用XML解析如下(解析XML需要安裝lxml庫).注意,空標簽依然被保留,并且文檔前添加了XML頭,而不是被包含在<html>標簽內(nèi):
BeautifulSoup("<a></a>", "xml")
# <?xml version="1.0" encoding="utf-8"?>
# <a></a>
HTML解析器之間也有區(qū)別,如果被解析的HTML文檔是標準格式,那么解析器之間沒有任何差別,只是解析速度不同,結(jié)果都會返回正確的文檔樹.

但是如果被解析文檔不是標準格式,那么不同的解析器返回結(jié)果可能不同.下面例子中,使用lxml解析錯誤格式的文檔,結(jié)果標簽被直接忽略掉了:
BeautifulSoup("<a>", "lxml")
# <html><body><a></a></body></html>
使用html5lib庫解析相同文檔會得到不同的結(jié)果:
BeautifulSoup("<a>", "html5lib")
# <html><head></head><body><a></a></body></html>
html5lib庫沒有忽略掉標簽,而是自動補全了標簽,還給文檔樹添加了<head>標簽.

使用pyhton內(nèi)置庫解析結(jié)果如下:
BeautifulSoup("<a>", "html.parser")
# <a></a>
與lxml [7] 庫類似的,Python內(nèi)置庫忽略掉了標簽,與html5lib庫不同的是標準庫沒有嘗試創(chuàng)建符合標準的文檔格式或?qū)⑽臋n片段包含在<body>標簽內(nèi),與lxml不同的是標準庫甚至連<html>標簽都沒有嘗試去添加.

因為文檔片段“<a>”是錯誤格式,所以以上解析方式都能算作”正確”,html5lib庫使用的是HTML5的部分標準,所以最接近”正確”.不過所有解析器的結(jié)構(gòu)都能夠被認為是”正?！钡?

不同的解析器可能影響代碼執(zhí)行結(jié)果,如果在分發(fā)給別人的代碼中使用了 BeautifulSoup ,那么最好注明使用了哪種解析器,以減少不必要的麻煩.

3.操作【約定soup是beautifulsoup(解析內(nèi)容,解析器)返回的解析對象】：

使用標簽名查找
- 使用標簽名來獲取結(jié)點：
  - soup.標簽名
- 使用標簽名來獲取結(jié)點標簽名【這個重點是name，主要用于非標簽名式篩選時，獲取結(jié)果的標簽名】：
  - soup.標簽.name
- 使用標簽名來獲取結(jié)點屬性：
  - soup.標簽.attrs【獲取全部屬性】
  - soup.標簽.attrs[屬性名]【獲取指定屬性】
  - soup.標簽[屬性名]【獲取指定屬性】
  - soup.標簽.get(屬性名)
- 使用標簽名來獲取結(jié)點的文本內(nèi)容：
  - soup.標簽.text
  - soup.標簽.string
  - soup.標簽.get_text()

補充1：上面的篩選方式可以使用嵌套:

print(soup.p.a)#p標簽下的a標簽

補充2：以上的name,text,string,attrs等方法都可以使用在當結(jié)果是一個bs4.element.Tag對象的時候:

from bs4 import BeautifulSoup

html = """
<html >
<head>
  <meta charset="UTF-8">
  <title>this is a title</title>
</head>
<body>
<p class="news">123</p>
<p class="contents" id="i1">456</p>
<a  rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
</body>
</html>
"""

soup = BeautifulSoup(html,'lxml')

print("獲取結(jié)點".center(50,'-'))
print(soup.head)#獲取head標簽
print(soup.p)#返回第一個p標簽
#獲取結(jié)點名
print("獲取結(jié)點名".center(50,'-'))
print(soup.head.name)
print(soup.find(id='i1').name)
#獲取文本內(nèi)容
print("獲取文本內(nèi)容".center(50,'-'))
print(soup.title.string)#返回title的內(nèi)容
print(soup.title.text)#返回title的內(nèi)容
print(soup.title.get_text())
#獲取屬性
print("-----獲取屬性-----")
print(soup.p.attrs)#以字典形式返回標簽的內(nèi)容
print(soup.p.attrs['class'])#以列表形式返回標簽的值
print(soup.p['class'])#以列表形式返回標簽的值
print(soup.p.get('class'))


#############
t=soup.title
print(type(t))#<class 'bs4.element.Tag'>
print(t.name)#title
print(t.text)

#嵌套選擇:
print(soup.head.title.string)

獲取子結(jié)點【直接獲取也會獲取到'\n'，會認為'\n'也是一個標簽】：
- soup.標簽.contents【返回值是一個列表】
- soup.標簽.children【返回值是一個可迭代對象，獲取實際子結(jié)點需要迭代】
獲取子孫結(jié)點：
- soup.標簽.descendants【返回值也是一個可迭代對象,實際子結(jié)點需要迭代】
獲取父結(jié)點：
- soup.標簽.parent
獲取祖先結(jié)點[父結(jié)點，祖父結(jié)點，曾祖父結(jié)點…]:
- soup.標簽.parents【】
獲取兄弟結(jié)點：
- soup.next_sibling【獲取后面的一個兄弟結(jié)點】
- soup.next_siblings【獲取后面所有的兄弟結(jié)點】【返回值是一個可迭代對象】
- soup.previous_sibling【獲取前一兄弟結(jié)點】
- soup.previous_siblings【獲取前面所有的兄弟結(jié)點】【返回值是一個可迭代對象】

補充3:與補充2一樣，上面的函數(shù)都可以使用在當結(jié)果是一個bs4.element.Tag對象的時候。

from bs4 import BeautifulSoup
html = """
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<p class="news"><a >123456</a>
  <a >78910</a>
</p><p class="contents" id="i1"></p>
<a  rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
<span>aspan</span>
</body>
</html>
"""
soup = BeautifulSoup(html, 'lxml')

#獲取子結(jié)點
print("獲取子結(jié)點".center(50,'-'))
print(soup.p.contents)
print("\n")
c=soup.p.children#返回的是一個可迭代對象
for i,child in enumerate(c):
  print(i,child)

print("獲取子孫結(jié)點".center(50,'-'))
print(soup.p.descendants)
c2=soup.p.descendants
for i,child in enumerate(c2):
  print(i,child)

print("獲取父結(jié)點".center(50,'-'))
c3=soup.title.parent
print(c3)

print("獲取父，祖先結(jié)點".center(50,'-'))
c4=soup.title.parents
print(c4)
for i,child in enumerate(c4):
  print(i,child)

print("獲取兄弟結(jié)點".center(50,'-'))
print(soup.p.next_sibling)
print(soup.p.previous_sibling)
for i,child in enumerate(soup.p.next_siblings):
  print(i,child,end='\t')
for i,child in enumerate(soup.p.previous_siblings):
  print(i,child,end='\t')

使用find\find_all方式：
- find( name , attrs , recursive , text , **kwargs )【根據(jù)參數(shù)來找出對應(yīng)的標簽,但只返回第一個符合條件的結(jié)果】
- find_all( name , attrs , recursive , text , **kwargs ):【根據(jù)參數(shù)來找出對應(yīng)的標簽,但只返回所有符合條件的結(jié)果】
- 篩選條件參數(shù)介紹：
  - name：為標簽名,根據(jù)標簽名來篩選標簽
  - attrs:為屬性,，根據(jù)屬性鍵值對來篩選標簽，賦值方式可以為:屬性名=值,attrs={屬性名:值}【但由于class是python關(guān)鍵字，需要使用class_】
  - text：為文本內(nèi)容，根據(jù)指定文本內(nèi)容來篩選出標簽，【單獨使用text作為篩選條件，只會返回text，所以一般與其他條件配合使用】
  - recursive：指定篩選是否遞歸，當為False時，不會在子結(jié)點的后代結(jié)點中查找，只會查找子結(jié)點
- 獲取到結(jié)點后的結(jié)果是一個bs4.element.Tag對象，所以對于獲取屬性、文本內(nèi)容、標簽名等操作可以參考前面“使用標簽篩選結(jié)果”時涉及的方法

from bs4 import BeautifulSoup
html = """
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<p class="news"><a >123456</a>
  <a id='i2'>78910</a>
</p><p class="contents" id="i1"></p>
<a  rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
<span>aspan</span>
</body>
</html>
"""
soup = BeautifulSoup(html, 'lxml')

print("---------------------")
print(soup.find_all('a'),end='\n\n')
print(soup.find_all('a')[0])
print(soup.find_all(attrs={'id':'i1'}),end='\n\n')
print(soup.find_all(class_='news'),end='\n\n')
print(soup.find_all('a',text='123456'))#
print(soup.find_all(id='i2',recursive=False),end='\n\n')#
a=soup.find_all('a')
print(a[0].name)
print(a[0].text)
print(a[0].attrs)

使用select篩選【select使用CSS選擇規(guī)則】：
- soup.select(‘標簽名'),代表根據(jù)標簽來篩選出指定標簽
- CSS中#xxx代表篩選id，soup.select(‘#xxx')代表根據(jù)id篩選出指定標簽,返回值是一個列表
- CSS中.###代表篩選class，soup.select('.xxx')代表根據(jù)class篩選出指定標簽,返回值是一個列表
- 嵌套select: soup.select(“#xxx .xxxx”)，如(“#id2 .news”)就是id=”id2”標簽下class=”news的標簽，返回值是一個列表
- 獲取到結(jié)點后的結(jié)果是一個bs4.element.Tag對象，所以對于獲取屬性、文本內(nèi)容、標簽名等操作可以參考前面“使用標簽篩選結(jié)果”時涉及的方法

from bs4 import BeautifulSoup
html = """
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<p class="news"><a >123456</a>
  <a id='i2'>78910</a>
</p><p class="contents" id="i1"></p>
<a  rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
<span class="span1" id='i4'>aspan</span>
</body>
</html>
"""
soup = BeautifulSoup(html, 'lxml')
sp1=soup.select('span')#返回結(jié)果是一個列表，列表的元素是bs4元素標簽對象

print(soup.select("#i2"),end='\n\n')
print(soup.select(".news"),end='\n\n')
print(soup.select(".news #i2"),end='\n\n')

print(type(sp1),type(sp1[0]))
print(sp1[0].name)#列表里面的元素才是bs4元素標簽對象
print(sp1[0].attrs)
print(sp1[0]['class'])

補充4：

對于代碼不齊全的情況下，可以使用soup.prettify()來自動補全,一般情況下建議使用，以避免代碼不齊。

from bs4 import BeautifulSoup
html = """
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Title</title>
</head>
<body>
<p class="news"><a >123456</a>
  <a id='i2'>78910</a>
</p><p class="contents" id="i1"></p>
<a  rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >advertisements</a>
<span class="span1" id='i4'>aspan

</html>
"""
soup = BeautifulSoup(html, 'lxml')
c=soup.prettify()#上述html字符串中末尾缺少</span> 和 </body>
print(c)

如果想要獲得更詳細的介紹，可以參考官方文檔，令人高興的是，有了比較簡易的中文版：

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

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題：《Python Socket編程技巧總結(jié)》、《Python正則表達式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對大家Python程序設(shè)計有所幫助。

您可能感興趣的文章: