码迷,mamicode.com
首页 > 编程语言 > 详细

Python_爬虫4

时间:2015-07-22 01:22:47      阅读:183      评论:0      收藏:0      [点我收藏+]

标签:

Python爬虫入门(8):Beautiful Soup的用法

 

上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也对写正则表 达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫Beautiful Soup,有了它我们可以很方便地提取出HTML或XML标签中的内容,实在是方便,这一节就让我们一起来感受一下Beautiful Soup的强大吧。

 

1. Beautiful Soup的简介

 

简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:

 

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。

 

Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。

 

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。

 

废话不多说,我们来试一下吧~

 

2. Beautiful Soup 安装

 

Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。

 

如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本

 

sudo apt-get install Python-bs4

 

如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2

 

Beautiful Soup 3.2.1Beautiful Soup 4.3.2

 

下载完成之后解压

 

运行下面的命令即可完成安装

 

sudo python setup.py install

 

如下图所示,证明安装成功了

 

技术分享

 

然后需要安装 lxml

 

sudo apt-get install Python-lxml

 

 

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,如果我们不安装它,则 Python 会使用 Python默认的解析器,lxml 解析器更加强大,速度更快,推荐安装。

 

3. 开启Beautiful Soup 之旅

 

在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。

 

官方文档

 

4. 创建 Beautiful Soup 对象

 

首先必须要导入 bs4 库

 

from bs4 import BeautifulSoup

 

我们创建一个字符串,后面的例子我们便会用它来演示

 

html = """

<html><head><title>The Dormouse‘s story</title></head>

<body>

<p class="title" name="dromouse"><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>

"""

 

创建 beautifulsoup 对象

 

soup = BeautifulSoup(html)

 

另外,我们还可以用本地 HTML 文件来创建对象,例如

 

soup = BeautifulSoup(open(‘index.html‘))

 

上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象

 

下面我们来打印一下 soup 对象的内容,格式化输出

 

print soup.prettify()

<html>

<head>

<title>

The Dormouse‘s story

</title>

</head>

<body>

<p class="title" name="dromouse">

<b>

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>

</html>

 

以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。

 

5. 四大对象种类

 

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

 

Tag

NavigableString

BeautifulSoup

Comment

下面我们进行一一介绍

 

(1)Tag

 

Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如

 

<title>The Dormouse‘s story</title>

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

 

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

 

下面每一段代码中注释部分即为运行结果

 

print soup.title

#<title>The Dormouse‘s story</title>

print soup.head

#<head><title>The Dormouse‘s story</title></head>

print soup.a

#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

print soup.p

#<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>

 

我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后面进行介绍。

 

我们可以验证一下这些对象的类型

 

print type(soup.a)

#<class ‘bs4.element.Tag‘>

 

对于 Tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下

 

name

 

print soup.name

print soup.head.name

#[document]

#head

 

soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。

 

attrs

 

print soup.p.attrs

#{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}

 

在这里,我们把 p 标签的所有属性打印输出了出来,得到的类型是一个字典。

 

如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么

 

print soup.p[‘class‘]

#[‘title‘]

 

还可以这样,利用get方法,传入属性的名称,二者是等价的

 

print soup.p.get(‘class‘)

#[‘title‘]

 

我们可以对这些属性和内容等等进行修改,例如

 

soup.p[‘class‘]="newClass"

print soup.p

#<p class="newClass" name="dromouse"><b>The Dormouse‘s story</b></p>

 

还可以对这个属性进行删除,例如

 

del soup.p[‘class‘]

print soup.p

#<p name="dromouse"><b>The Dormouse‘s story</b></p>

 

不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档

 

(2)NavigableString

 

既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如

 

print soup.p.string

#The Dormouse‘s story

 

这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。

 

print type(soup.p.string)

#<class ‘bs4.element.NavigableString‘>

 

来检查一下它的类型

 

print type(soup.p.string)

#<class ‘bs4.element.NavigableString‘>

 

(3)BeautifulSoup

 

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性来感受一下

 

print type(soup.name)

#<type ‘unicode‘>

print soup.name

# [document]

print soup.attrs

#{} 空字典

 

(4)Comment

 

Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。

 

我们找一个带注释的标签

 

print soup.a

print soup.a.string

print type(soup.a.string)

 

运行结果如下

 

<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

Elsie

<class ‘bs4.element.Comment‘>

 

a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。

 

另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下

 

if type(soup.a.string)==bs4.element.Comment:

print soup.a.string

 

上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。

 

6. 遍历文档树

(1)直接子节点

要点:.contents .children 属性

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

输出方式为列表,我们可以用列表索引来获取它的某一个元素

.children

它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象

我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下

 

 

 

 

(2)所有子孙节点

知识点:.descendants 属性

.descendants

.contents.children 属性仅包含tag的直接子节点,.descendants 属性可以对所有tag的子孙节点进行递归循环,和 children类似,我们也需要遍历获取其中的内容。

运行结果如下,可以发现,所有的节点都被打印出来了,先生最外层的 HTML标签,其次从 head 标签一个个剥离,以此类推。

 

(3)节点内容

知识点:.string 属性

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是:如果一个标签里面没有标签了,那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了,那么 .string 也会返回最里面的内容。例如

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

 

(4)多个内容

知识点: .strings .stripped_strings 属性

.strings

获取多个内容,不过需要遍历获取,比如下面的例子

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

 

(5)父节点

知识点: .parent 属性

 

 

 

(6)全部父节点

知识点:.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点,例如

 

 

(7)兄弟节点

知识点:.next_sibling .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点,.next_sibling 属性获取了该节点的下一个兄弟节点,.previous_sibling 则与之相反,如果节点不存在,则返回 None

注意:实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白,因为空白或者换行也可以被视作一个节点,所以得到的结果可能是空白或者换行

 

(8)全部兄弟节点

知识点:.next_siblings .previous_siblings 属性

通过 .next_siblings.previous_siblings 属性可以对当前节点的兄弟节点迭代输出

 

(9)前后节点

知识点:.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不同,它并不是针对于兄弟节点,而是在所有节点,不分层次

比如 head 节点为

那么它的下一个节点便是 title,它是不分层次关系的

 

(10)所有前后节点

知识点:.next_elements .previous_elements 属性

通过 .next_elements.previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

 

7.搜索文档树

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

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

1)name 参数

name 参数可以查找所有名字为 nametag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签

 

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到

C.传列表

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

D.传 True

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

E.传方法

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 [4] ,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

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

2)keyword 参数

注意:如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

 

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

使用多个指定名字的参数可以同时过滤tag的多个属性

在这里我们想用 class 过滤,不过 class 是 python 的关键词,这怎么办?加个下划线就可以

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

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

3)text 参数

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True

4)limit 参数

find_all() 方法返回全部的搜索结构,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.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

5)recursive 参数

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 .

一段简单的文档:

是否使用 recursive 参数的搜索结果:

 

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

它与 find_all() 方法唯一的区别是 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

(3)find_parents() find_parent()

find_all()find() 只搜索当前节点的所有子节点,孙子节点等. find_parents()find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

(4)find_next_siblings() find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

(5)find_previous_siblings() find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

(6)find_all_next() find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

(7)find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

注:以上(2)(3)(4)(5)(6)(7)方法参数用法与 find_all() 完全相同,原理均类似,在此不再赘述。

8.CSS选择器

我们在写 CSS 时,标签名不加任何修饰,类名前加点,id名前加 #,在这里我们也可以利用类似的方法来筛选元素,用到的方法是 soup.select(),返回类型是 list

(1)通过标签名查找

 

 

 

 

(2)通过类名查找

 

 

(3)通过 id 名查找

 

 

(4)组合查找

组合查找即和写 class 文件时,标签名与类名、id名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1的内容,二者需要用空格分开

直接子标签查找

 

(5)属性查找

查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。

 

同样,属性仍然可以与上述查找方式组合,不在同一节点的空格隔开,同一节点的不加空格

好,这就是另一种与 find_all 方法有异曲同工之妙的查找方法,是不是感觉很方便?

总结

Python_爬虫4

标签:

原文地址:http://www.cnblogs.com/MarchThree/p/4666011.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!