【python+beautifulsoup4】Beautifulsoup4

Beautiful soup将复杂HTML文档转换成一个复杂的属性结构，每个节点都是python对象，所有对象可归纳为4种Tag，NavigableString,BeautifulSoup,Comment

1.Tag 就是html中的一个个标签

　　tag有两个重要的属性，name和attrs

2.NavigableString 字符对象

　　#打印出标签p中的内容

　　print （soup.p.string）

3.BeautifulSoup 表示的是一个文档的内容

　　⼤部分时候,可以把它当作Tag 对象，是⼀个特殊的 Tag

4.Comment 特殊的NavigableString对象

　　输出的内容不包括注释符号

一、遍历文档树：

1.直接子节点：.contents和.children属性

　　.conten

　　tag 的 .content 属性可以将tag的⼦节点以列表的⽅式输出

　　Print(soup.head.contents)

　　# [<head>the domouse’s story</head>]

　　.children 返回的是list对象

　　print (soup.head.children)

　　#<listiterator object at 0x7f71457f5710>

　　for child in soup.body.children:

　　print (child)

2.所有子孙节点：.descendants

　　contents 和 .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。

　　　　for child in soup.descendants:

　　　　print (child)

通过一个例子来更直观的看出三者之间的区别

获取的节点如下

　　以下代码分别获取了class=‘catListTag’下直接子节点和子孙子节点的信息

运行结果：

D:\PycharmProjects\ImoocInterface\venv\Scripts\python.exe D:/PycharmProjects/ImoocInterface/soup_test.py

-------------------contents-----------------------

['\n', <h3 class="catListTitle">我的标签</h3>, '\n', <ul>

<li><a href="https://www.cnblogs.com/dhs94/tag/Autoit/">Autoit</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/beautifulsoup4/">beautifulsoup4</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/debug/">debug</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/fiddler/">fiddler</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/grid/">grid</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/jdk/">jdk</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/python%20logging/">python logging</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/%E8%BF%9B%E7%A8%8B/">进程</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/%E6%A8%A1%E5%9D%97/">模块</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/%E7%BA%BF%E7%A8%8B/">线程</a>(1)</li><li><a href="https://www.cnblogs.com/dhs94/tag/">更多</a></li>

</ul>, '\n']

-------------------children------------------------

<ul>

</ul>

-------------------descendants-----------------------

我的标签

<ul>

</ul>

<li><a href="https://www.cnblogs.com/dhs94/tag/Autoit/">Autoit</a>(1)</li>

<a href="https://www.cnblogs.com/dhs94/tag/Autoit/">Autoit</a>

Autoit

(1)

<li><a href="https://www.cnblogs.com/dhs94/tag/beautifulsoup4/">beautifulsoup4</a>(1)</li>

<a href="https://www.cnblogs.com/dhs94/tag/beautifulsoup4/">beautifulsoup4</a>

beautifulsoup4

(1)

<li><a href="https://www.cnblogs.com/dhs94/tag/debug/">debug</a>(1)</li>

<a href="https://www.cnblogs.com/dhs94/tag/debug/">debug</a>

debug

.....................

对比三者可发现，contens和children输出为直接子节点的内容即<h3>和<ul>标签所包含的内容，而descendant输出为子孙节点的内容不仅有<h3>和<ul>所包含的内容，还直接输出了<ul>标签下<li>标签的内容<a>

3.节点内容：.string属性

二、搜索

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

1） name 参数

　　name 参数可以查找所有名字为 name 的tag,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:

　　　　soup.find_all('b')

　　　　# [<b>The Dormouse's story</b>]

　　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

　　　　import re

　　　　for tag in soup.find_all(re.compile("^b")):

　　　　 print(tag.name)

　　　　# body

　　　　# b

　　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:

　　　　soup.find_all(["a", "b"])

　　　　# [<b>The Dormouse's story</b>,

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

　　　　ie</a>,

　　　　# <a class="sister" href="http://example.com/lacie"; id="link2">Lac

　　　　ie</a>,

　　　　# <a class="sister" href="http://example.com/tillie"; id="link3">Ti

　　　　llie</a>]

2） keyword 参数

　　soup.find_all(id_='link2')或soup.find_all(class_='link2')

　　注意关键字后的下划线，没有下划线会报错

　　# [<a class="sister" href="http://example.com/lacie"; id="link2">Lac

　　ie</a>]

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

　　soup.find_all(text="Elsie")

　　# [u'Elsie']

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

　　找到第一个符合的对象

三、css选择器

与soup.find_all()类似，查找所有符合的节点并返回list

（1）通过标签查找 soup.select(‘b’)

　　返回所有标签为<b>的节点

（2）通过类名或ID查找

　　Soup.select(‘.classname’)

　　Soup.select(‘#id’)

（3）组合查找

　　标签+类Soup.select(‘b .classname’)

　　　　返回b标签中类名为classname的节点

　　子标签查找Soup.select(‘head>title’)

　　　　返回父标签为head的title节点

（4）属性查找

　　Soup.select(“a[class=’link’]”)

　　　　标签为a且class为link的节点

　　Soup.select(“p a[class=’link’]”)

　　　　返回p标签中a[class=’link’]的节点

（5）获取内容

　　get_text()

四、爬网页图片

1、目标网站

　　1) 打开一个风景图的网站：https://www.enterdesk.com/

　　2) 用 firebug 定位

　　3)从下图可以看出，所有的图片都是 img 标签,父节点class属性为egeli_pic_dl

2、用 find_all 找出所有的标签

　　1).find_all(class_="legeli_pic_dl")获取所有的图片对象标签

　　2).从标签里面提出 jpg 的 url 地址和 title

 from bs4 import BeautifulSoup

 import requests

 import os

 r = requests.get("https://www.enterdesk.com/")

 # 获取页面内容

 content = r.content

 # 用html.parser解析html

 soup = BeautifulSoup(content, 'html.parser')

 # 获取所有class为egene_pic_dl，返回tag类,为list

 all = soup.find_all(class_='egeli_pic_dl')

 for i in all:

     # 获取图片路径和名称

     img_url = i.img['src']

     img_name = i.img['title']

3.保存图片

　　1).在当前脚本文件夹下创建一个 img 的子文件夹

　　2).导入 os 模块，os.getcwd()这个方法可以获取当前脚本的路径

　　3).用 open 打开写入本地电脑的文件路径，命名为：os.getcwd()+"\\img\\"+img_name+'.jpg'（命名重复的话，会被覆盖掉）

　　4).requests 里 get 打开图片的 url 地址，content 方法返回的是二进制流文件，可以直接写到本地

 for i in all:

     # 获取图片路径和名称

     img_url = i.img['src']

     img_name = i.img['title']

     # 保存图片

     with open(os.getcwd()+'\\img\\'+img_name+'.jpg', 'wb') as f:

         f.write(requests.get(img_url).content)

巴特西