python爬蟲beautifulsoup庫使用操作教程全解(python爬蟲基礎入門)
【python爬蟲基礎入門】系列是對python爬蟲的一個入門練習實踐,旨在用最淺顯易懂的語言,總結最明瞭,最適合自己的方法,本人一直堅信,總結才會使人提高
1. BeautifulSoup庫簡介
BeautifulSoup庫在python中被美其名為“靚湯”,它和和 lxml 一樣也是一個HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 數據。BeautifulSoup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器,若在沒用安裝此庫的情況下, Python 會使用 Python默認的解析器lxml,lxml 解析器更加強大,速度更快,而BeautifulSoup庫中的lxml解析器則是集成瞭單獨的lxml的特點,使得功能更加強大。
需要註意的是,Beautiful Soup已經自動將輸入文檔轉換為Unicode編碼,輸出文檔轉換為utf-8編碼。因此在使用它的時候不需要考慮編碼方式,僅僅需要說明一下原始編碼方式就可以瞭。
使用pip命令工具安裝BeautifulSoup4庫
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ BeautifulSoup # 使用清華大學鏡像源安裝
2. BeautifulSoup庫的主要解析器
在代碼中 html.parser
是一種針對於html網頁頁面的解析器,Beautiful Soup庫還有其他的解析器,用於針對不同的網頁
demo = 'https://www.baidu.com' soup = BeautifulSoup(demo,'html.parser')
解析器 | 使用方法 | 條件 |
---|---|---|
bs4的html解析器 | BeautifulSoup(demo,‘html.parser’) | 安裝bs4庫 |
lxml的html解析器 | BeautifulSoup(demo,‘lxml’) | pip install lxml |
lxml的xml解析器 | BeautifulSoup(demo,‘xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(demo,‘html5lib’) | pip install html5lib |
3. BeautifulSoup的簡單使用
假如有一個簡單的網頁,提取百度搜索頁面的一部分源代碼為例
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type" /> <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> <meta content="always" name="referrer" /> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min. css" rel="stylesheet" type="text/css" /> <title>百度一下,你就知道 </title> </head> <body link="#0000cc"> <div > <div > <div > <div > <a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews">新聞 </a> <a href="https://www.hao123.com" rel="external nofollow" name="tj_trhao123">hao123 </a> <a href="http://map.baidu.com" rel="external nofollow" name="tj_trmap">地圖 </a> <a href="http://v.baidu.com" rel="external nofollow" name="tj_trvideo">視頻 </a> <a href="http://tieba.baidu.com" rel="external nofollow" name="tj_trtieba">貼吧 </a> <a href="//www.baidu.com/more/" rel="external nofollow" name="tj_briicon" >更多產品 </a> </div> </div> </div> </div> </body> </html>
結合requests庫和使用BeautifulSoup庫的html解析器,對其進行解析有如下
import requests from bs4 import BeautifulSoup # 使用Requests庫加載頁面代碼 r = requests.get('https://www.baidu.com') r.raise_for_status() # 狀態碼返回 r.encoding = r.apparent_encoding demo = r.text # 使用BeautifulSoup庫解析代碼 soup = BeautifulSoup(demo,'html.parser') # 使用html的解析器 print(soup.prettify()) # prettify 方式輸出頁面
4. BeautifuSoup的類的基本元素
BeautifulSoup4將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,BeautifulSoup庫有針對於html的標簽數的特定元素,重點有如下三種
<p > ... </p>
- Tag
- NavigableString
- Comment
- BeautifulSoup
基本元素 | 說明 |
---|---|
Tag | 標簽,最基本的信息組織單元,分別用<>和</>標明開頭和結尾,格式:soup.a或者soup.p(獲取a標簽中或者p標簽中的內容) |
Name | 標簽的名字,
… 的名字是‘p’ 格式為:.name |
Attributes | 標簽的屬性,字典形式組織,格式:.attrs |
NavigableString | 標簽內非屬性字符串,<>…</>中的字符串,格式:.string |
Comment | 標簽內的字符串的註釋部分,一種特殊的Comment類型 |
4.1 Tag
標簽是html中的最基本的信息組織單元,使用方式如下
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title) # 獲取title標簽的所有內容 print(bs.head) # 獲取head標簽的所有內容 print(bs.a) # 獲取第一個a標簽的所有內容 print(type(bs.a)) # 類型
在Tag標簽中最重要的就是html頁面中的name哈attrs屬性,使用方式如下
print(bs.name) print(bs.head.name) # head 之外對於其他內部標簽,輸出的值便為標簽本身的名稱 print(bs.a.attrs) # 把 a 標簽的所有屬性打印輸出瞭出來,得到的類型是一個字典。 print(bs.a['class']) # 等價 bs.a.get('class') 也可以使用get方法,傳入屬性的名稱,二者是等價的 bs.a['class'] = "newClass" # 對這些屬性和內容進行修改 print(bs.a) del bs.a['class'] # 對這個屬性進行刪除 print(bs.a)
4.2 NavigableString
NavigableString中的string方法用於獲取標簽內部的文字
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title.string) print(type(bs.title.string))
4.3 Comment
Comment 對象是一個特殊類型的 NavigableString 對象,其輸出的內容不包括註釋符號,用於輸出註釋中的內容
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.a) # 標簽中的內容<a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews"><!--新聞--></a> print(bs.a.string) # 新聞 print(type(bs.a.string)) # <class 'bs4.element.Comment'>
5. 基於bs4庫的HTML內容的遍歷方法
在HTML中有如下特定的基本格式,也是構成HTML頁面的基本組成成分
而在這種基本的格式下有三種基本的遍歷流程
- 下行遍歷
- 上行遍歷
- 平行遍歷
三種種遍歷方式分別是從當前節點出發。對之上或者之下或者平行的格式以及關系進行遍歷
5.1 下行遍歷
下行遍歷有三種遍歷的屬性,分別是
- contents
- children
- descendants
屬性 | 說明 |
---|---|
.contents | 子節點的列表,將所有兒子節點存入列表 |
.children | 子節點的迭代類型,用於循環遍歷兒子節點 |
.descendants | 子孫節點的迭代類型,包含所有子孫節點,用於循環遍歷 |
使用舉例
soup = BeautifulSoup(demo,'html.parser') # 循環遍歷兒子節點 for child in soup.body.children: print(child) # 循環遍歷子孫節點 for child in soup.body.descendants: print(child) # 輸出子節點的列表形式 print(soup.head.contents) print(soup.head.contents[1]) # 用列表索引來獲取它的某一個元素
5.2 上行遍歷
上行遍歷有兩種方式
- parent
- parents
屬性 | 說明 |
---|---|
.parent | 節點的父親標簽 |
.parents | 節點先輩標簽的迭代類型,用於循環遍歷先輩節點,返回一個生成器 |
使用舉例
soup = BeautifulSoup(demo,'html.parser') for parent in soup.a.parents: if parent is None: parent(parent) else: print(parent.name)
5.3 平行遍歷
平行遍歷有四種屬性
- next_sibling
- previous_sibling
- next_siblings
- previous_siblings
屬性 | 說明 |
---|---|
.next_sibling | 返回按照HTML文本順序的下一個平行節點標簽 |
.previous_sibling | 返回按照HTML文本順序的上一個平行節點標簽 |
.next_siblings | 迭代類型,返回按照html文本順序的後續所有平行節點標簽 |
.previous_siblings | 迭代類型,返回按照html文本順序的前序所有平行節點標簽 |
平行遍歷舉例如下
for sibling in soup.a.next_sibling: print(sibling) # 遍歷後續節點 for sibling in soup.a.previous_sibling: print(sibling) # 遍歷
5.4 其他遍歷
屬性 | 說明 |
---|---|
.strings | 如果Tag包含多個字符串,即在子孫節點中有內容,可以用此獲取,而後進行遍歷 |
.stripped_strings | 與strings用法一致,可以去除掉那些多餘的空白內容 |
.has_attr | 判斷Tag是否包含屬性 |
6. 文件樹搜索
使用soup.find_all(name,attrs,recursive,string,**kwargs)
方法,用於返回一個列表類型,存儲查找的結果
- name:對標簽名稱的檢索字符串
- attrs:對標簽屬性值得檢索字符串,可標註屬性檢索
- recursive:是否對子孫全部檢索,默認為
- Truestring:用與在信息文本中特定字符串的檢索
6.1 name參數
如果是指定的字符串:會查找與字符串完全匹配的內容,如下
a_list = bs.find_all("a") print(a_list) # 將會返回所有包含a標簽的內容
如果是使用正則表達式:將會使用BeautifulSoup4中的search()方法來匹配內容,如下
from bs4 import BeautifulSoup import re html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") t_list = bs.find_all(re.compile("a")) for item in t_list: print(item) # 輸出列表
如果傳入一個列表:BeautifulSoup4將會與列表中的任一元素匹配到的節點返回,如下
t_list = bs.find_all(["meta","link"]) for item in t_list: print(item)
如果傳入一個函數或者方法:將會根據函數或者方法來匹配
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") def name_is_exists(tag): return tag.has_attr("name") t_list = bs.find_all(name_is_exists) for item in t_list: print(item)
6.2 attrs參數
並不是所有的屬性都可以使用上面這種方式進行搜索,比如HTML的data屬性,用於指定屬性搜索
t_list = bs.find_all(data-foo="value")
6.3 string參數
通過通過string參數可以搜索文檔中的字符串內容,與name參數的可選值一樣,string參數接受字符串,正則表達式,列表
from bs4 import BeautifulSoup import re html = 'https://www.baidu.com' bs = BeautifulSoup(html, "html.parser") t_list = bs.find_all(attrs={"data-foo": "value"}) for item in t_list: print(item) t_list = bs.find_all(text="hao123") for item in t_list: print(item) t_list = bs.find_all(text=["hao123", "地圖", "貼吧"]) for item in t_list: print(item) t_list = bs.find_all(text=re.compile("\d")) for item in t_list: print(item)
使用find_all()方法的時,常用到正則表達式的形式import re
如下所示
soup.find_all(sring = re.compile('pyhton')) # 指定查找內容 # 或者指定使用正則表達式要搜索的內容 sring = re.compile('pyhton') # 字符為python soup.find_all(string) # 調用方法模板
6.4 常用的fiid()方法如下
7. 總結參考
此文列舉瞭BeautifulSoup庫在爬蟲中的基本使用,不正確之處望指教,參考
到此這篇關於python爬蟲beautifulsoup庫使用操作教程全解(python爬蟲基礎入門)的文章就介紹到這瞭,更多相關python爬蟲beautifulsoup庫內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python beautifulsoup4 模塊詳情
- Python爬取求職網requests庫和BeautifulSoup庫使用詳解
- python 如何獲取頁面所有a標簽下href的值
- Python使用Beautiful Soup(BS4)庫解析HTML和XML
- Python BautifulSoup 節點信息