BeautifulSoup简单用法
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
文章目录
1、BeautifulSoup简介
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。
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。
中文文档https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
2、BeautifulSoup安装
#安装 Beautiful Soup
pip install beautifulsoup4
#安装解析器
#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,其中一个是 lxml:
pip install lxml
#另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同:
pip install html5lib
下表列出了主要的解析器以及它们的优缺点:
| 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 | 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 |
3、BeautifulSoup简单使用
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen('http://www.pythonscraping.com/pages/page1.html')
bs = BeautifulSoup(html.read(), 'html.parser')
print(bs.h1)
print(bs.title)
print(bs.prettify()) # html文本美化
简单的异常处理
from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup
def getTitle(url):
try:
html = urlopen(url)
except HTTPError as e: #URL错误会返回HTTPError异常
return None
try:
bs = BeautifulSoup(html.read(), 'html.parser')
title = bs.h1
except AttributeError as e: #调用None对象的子标签时会返回AttributeError异常
return None
return title
if __name__ == '__main__':
title = getTitle('http://pythonscraping.com/pages/page1.html')
if title == None:
print('Title could not find')
else:
print(title)
将两行BeautifulSoup封装在一个try语句中两行中有一行有问题都可能抛出AttributeError如果服务器不存在html就是一个None对象html.read()就会抛出AttributeError。
4、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 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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')
# 基本用法
# 1、直接.标签名
print(soup)
print(soup.title)
print(soup.a) # 返回第一个a标签
# 2、获取标签的名称 了解即可
print(soup.p.name)
# 3、获取标签的属性
print(soup.a.attrs) # 第一个a标签的所有属性
print(type(soup.a.attrs)) # 返回所有标签属性的类型 dict
print(soup.a.attrs.get('id')) # dict类型可以get取值
print(soup.a.attrs.get('href'))
print(soup.a.attrs.get('class'))
# 4、获取标签的文本内容
# 获取第一个a标签中的文本内容
print(soup.a.text)
# 5、嵌套选择
# xml
'''
<info> # 父标签
<name>Lili</name>
<gf>Tom</gf>
</info>
'''
print(soup.prettify()) # 文本美化
print(type(soup.html)) # 可以嵌套选择
print(type(soup.html.head.title))
print(soup.html.head.title)
# 6、子节点、子孙节点
print(soup) # 注意: 换行符也算一个 节点
print(soup.body.contents) # body下所有子节点返回的是一个列表
print(len(soup.body.contents)) # body下所有子节点
# 优先使用children
print(soup.body.children) # 得到一个迭代器,包含p下所有子节点
print(list(soup.body.children)) # 得到一个迭代器,包含p下所有子节点
for children in soup.body.children:
print(children)
# 7、父节点、祖先节点
print(soup)
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... 它也是一个迭代器
print(list(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...
print(len(list(soup.a.parents))) # 4
# 8、兄弟节点
print(soup)
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(下面的所有兄弟)=>生成器对象
print(len(list(soup.a.next_siblings))) # 7 内容也算是
print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象
print(list(soup.a.previous_siblings)) # 上面的兄弟们=>生成器对象
5、搜索文档树
Beautiful Soup定义了很多搜索方法,这里着重介绍2个find() 和 find_all()。
5.1 find_all()
find_all(name, attrs, recursive, text, **kwargs )
import re
#1、name: 搜索name参数的值可以使任一类型的 过滤器, 字符串, 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))
'''
像调用 find_all() 一样调用tag
find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
soup.find_all("a")
soup("a")
这两行代码也是等价的:
soup.title.find_all(text=True)
soup.title(text=True)
'''
5.2 find()
find( name, attrs, recursive, text, **kwargs )
# find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
print(soup.find_all('title', limit=1))
# [<title>The Dormouse's story</title>]
print(soup.find('title'))
# <title>The Dormouse's story</title>
# 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:
print(soup.head.title)
# <title>The Dormouse's story</title>
print(soup.find("head").find("title"))
# <title>The Dormouse's story</title>
5.3 五种过滤器
1字符串过滤器
# 根据name查找节点标签
a_tag = soup.find(name='a') # 查找的是第一个a标签
print(a_tag)
print(soup.find(name='p'))
# 根据attrs属性查找节点标签
a_tag = soup.find(attrs={"id": "link2"}) # id=link2
print(a_tag)
# 根据文本找节点
a_tag = soup.find(text="The Dormouse's story")
print(a_tag)
# name与attrs配合使用
res = soup.find(name='a', attrs={'id': 'link3'})
res = soup.find(name='a', attrs={'id': 'link3'}, text='Tillie')
print(res)
2正则过滤器
import re
# 查找class属性值中包含 s的节点 # 选择第一个
res1 = soup.find(attrs={'class': re.compile('s')})
print(res1)
# 查找标签名字中包含it的节点 # 选择第一个
res2 = soup.find(name=re.compile('it'))
print(res2)
正则表达式的用法可参考https://www.runoob.com/regexp/regexp-syntax.html
3列表过滤器
# 获取第一个a标签 或 p标签的节点
res1 = soup.find(name=['a', 'p'])
print(res1)
# 获取所有的a标签与p标签的节点
res2 = soup.find_all(name=['a', 'p'])
print(res2)
4bool过滤器了解即可
print(soup.find_all(True)) # 获取所有为真的标签
for tag in soup.find_all(True):
print(tag.name)
5方法过滤器
# 函数用于判断节点中有class没有id的节点并将该节点返回
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))
6CSS过滤器
print(soup.select('#link1')) # 查找id为link1的节点
print(soup.select('.story')) # 查找类为story的节点
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |