爬虫（三）—— BeautifulSoup模块获取元素

时间：2019-01-23 21:26:34 阅读：188 评论：0 收藏：0 [点我收藏+]

标签：提取注意依赖 text def from 字符串 **kwargs error:

BeautifulSoup

BeautifulSoup

一、BeautifulSoup简介

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过转换器实现惯用的文档导航、查找、修改文档的方式。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。

二、安装模块

# 安装 Beautiful Soup
pip install beautifulsoup4

# 安装解析器
pip install lxml

三、解析器

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

四、Beautiful Soup的使用

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>
"""
# 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
print(res)

五、查找元素

1、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 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
# 获取BeautifulSoup对象
soup=BeautifulSoup(html_doc,‘lxml‘)

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

# 1. 获取标签的名称
print(soup.p.name)

# 2. 获取标签的属性
print(soup.p.attrs)

# 3. 获取标签的内容
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下所有的文本内容，可以转换为list
print(soup.p.text)       # 取到p下所有的文本内容
for line in soup.stripped_strings:    # 去掉空白
    print(line)

# 4. 嵌套选择
print(soup.head.title.string)
print(soup.body.a.string)


# 5. 子节点、子孙节点
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
for i,child in enumerate(soup.p.children):
    print(i,child)

print(soup.p.descendants)   # 获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
    print(i,child)

# 6. 父节点、祖先节点
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...


# 7. 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

2、搜索文档树

（1）五种过滤器

字符串、正则表达式、列表、True、方法

# 过滤器结合find() 和 find_all()方法使用查找元素
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.字符串
print(soup.find_all(‘b‘))

# 2.、正则表达式
# 利用re.compile()使用正则
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

# 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‘]))

# 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))
for tag in soup.find_all(True):
    print(tag.name)

# 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
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))

# 匿名函数
print(soup.find_all(lambda tag: True if tag.has_attr("class") and tag.has_attr("id") else False))

（2）find_all( name , attrs , recursive , text , **kwargs )

# 1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,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))

（3）find( name , attrs , recursive , text , **kwargs )

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

（4）CSS选择器(select(‘.class‘))

#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
# select 返回的是一个列表
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())

爬虫（三）—— BeautifulSoup模块获取元素

标签：提取注意依赖 text def from 字符串 **kwargs error:

原文地址：https://www.cnblogs.com/linagcheng/p/10311181.html

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行