python爬虫---BeautifulSoup的用法

BeautifulSoup是一个灵活的网页解析库，不需要编写正则表达式即可提取有效信息。

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.

如下的html_doc是一个缺少部分闭合标签的html文档

html_doc = """

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

<body>

<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>

"""

基本用法

html_doc = """

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

<body>

<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')  # 声明对象并选定解析方式

print(soup.prettify())  # prettify()方法将html格式化并补齐代码
print(soup.title.string) #输出title标签内容

结果：可以看到html缺失的</body>和</html>被补齐了，同时也打印出了title标签的内容

标签选择器

元素选择

在解析对象声明之后，便可以进行元素选择了，会打印输出选择元素的标签及内容

html_doc = """"

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(soup.prettify())

print(soup.title)

print(soup.head)

print(soup.a)

结果：

获取标签名称：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc,'lxml')

print(soup.title.name)

结果：
title

获取标签内属性：

在第一个a标签内有href属性，直接使用['name']或者attrs['name']即可获得属性值，两者是一样的。

html_doc = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(soup.prettify())  

print(soup.a['href'])

print(soup.a.attrs['href'])

结果：

获取内容

#如下示例,获取a标签内容

html_doc="""<a>this is tag a</a>"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc,'lxml')

print(soup.a.string)

结果：

this is tag a

嵌套的选择

html_doc = """<html><head></head><a>this is tag a</a><body></body></html>

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc,'lxml')

print(soup.head.a.string)

结果：

this is tag a

一次性获得html文档所有的内容

html_doc = """

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

<body>

<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')  # 声明对象并选定解析方式

print(soup.get_text())

输出：

遍历子节点和子孙节点

html还是示例的，文档中有两个闭合的p标签，这里寻找时总是返回第一个结果，不再向后查询

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')  # 声明对象并选定解析方式

print(soup.p.contents)

结果：第一个闭合p标签的内容被完全打印出，以list形式返回

迭代子节点和子孙节点

soup.p.children实际上是一个迭代器，使用枚举的方式将内容列举出。

html_doc = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(soup.p.contents)

for i, child in enumerate(soup.p.children):   #只迭代子节点，不包含子孙节点

    print(i,child)

for i, child in enumerate(soup.p.descendants): # 迭代p标签所有子孙节点

    print(i, child)

结果：

只迭代子节点，这里p为一级标签，只能迭代出字标签

迭代子孙节点，p为一级标签，可以迭代出所有次级标签

获取父亲节点和祖先节点

html_doc = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(soup.a.parent)

结果：p是a的父亲节点，p被完整打印

获取祖先节点

html_doc = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(list(enumerate(soup.a.parents)))

结果：这个枚举向上迭代通过层级查找，在最后一组元素迭代出所有祖先节点内容

兄弟节点

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

print(list(enumerate(soup.a.next_siblings))) # a以下并列节点

print(list(enumerate(soup.a.previous_siblings))) # a以上并列兄弟节点

结果：

标准选择器

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

可根据标签名，属性，内容查找文档。

使用的html文档如下

html = """

<div class="panel">

    <div class="panel-heading">

        <h3>hello</h3>

    </div>

    <div class="panel-body">

        <ul class="list" id="list-1" name="elements">

            <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">Foo</li>

            <li class="element">Bar</li>

        </ul>

    </div>

</div>

"""

使用find_all()方法

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.find_all('ul')) #返回一个list 以bs4的bs4.element.tag方式查找

print(soup.find_all('ul')[0]) #返回一个list 从0开始索引

结果：find_all('ul') 查找到所有ul标签

find_all('ul')[0]只返回第一个查找到的结果

使用find_all方法进行嵌套遍历查找

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')  #使用find_all()方法的嵌套遍历查找

for ul in soup.find_all('ul'):

     print(ul.find_all('li'))

结果：第一个ul标签下的字标签li全部被查找到，结果以list返回

第二个ul下的签同样

以属性进行查找

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')  #使用find_all()方法的嵌套遍历查找

print(soup.find_all(attrs={'id': 'list-1'})) #以属性形式查找标签,attrs是一个dict形式,内容为参数名称及属性

print(soup.find_all(attrs={'class': 'list'}))

结果：以id=list-1进行查找，结果为红色框内容

以class=list进行查找，结果两个ul全部找到

如有特殊的属性，可以直接以属性名称进行查找

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')  #使用find_all()方法的嵌套遍历查找

print(soup.find_all(class_='element'))  #因为class在python内为关键字，查找时加个下划线就ok

结果：class=element的全部查找到

text以文本方式进行查找

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.find_all(text='Foo'))  #直接返回内容

结果：

['Foo', 'Foo']

find(name, attrs, recursive, text, **kw)方法

find返回单个元素，find_all返回所有元素

查找方式及返回结果

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.find('ul')) #返回的是单个的字符串

print(soup.find('li')['class'])

结果：对ul的查找以字符串返回了，而li标签下的class属性则以list 返回

以属性查找同find_all，只是find返回的结果只是字符串

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.find(attrs={'id': 'list-1'}))

print(soup.find(text='Foo'))

结果：

find_parent()和find_parents()

前者只返回父亲节点，后者返回所有祖先节点

find_next_siblings()和find_next_sibling()

前者返回后面所有兄弟节点，后者只返回后面第一个兄弟节点

find_previous_siblings()和 find_previous_sibling()

前者返回前面所有的兄弟节点，后者返回前面的第一个兄弟节点

CSS选择器

通过select()直接传入选择器即可完成选择

如果选择了class属性，则在css选择器中要以.代替，而id以#代替

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.select('.panel .panel-heading'))  # 先选择外层元素，然后里层元素次级标签选择

print(soup.select('ul'))

print(soup.select('ul li'))  # 选择ul  次级选li  打印出li标签内容

print(soup.select('#list-2 .element'))  # id使用#选择

print(soup.select('ul')[1])   #ul标签选择为一个整体,选择索引从0开始的

选择结果：

以选择器进行迭代

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

for li in soup.select('ul'): #这里使用迭代方式  结果返回list

     print(li.select('li'))

结果：同查找的遍历，这里是以选择器方式进行遍历

获取属性

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

# 获取属性

for li in soup.select('ul'):

    print(li['id'])  # or print(li.attrs['id'])

结果：

list-1

list-2

获取文本内容

html = """

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

for li in soup.select('li'):

    print(li.get_text())

结果：

总结：

lxml是bs最快的解析库，如果不能满足使用，则使用html.parse

查找方式以find_all和find方便

熟悉css选择器则可以使用css select()

巴特西

python爬虫---BeautifulSoup的用法

最新文章

热门文章