您的位置：首页 > 其它

爬虫：Beautiful Soup

2016-07-06 23:01 218 查看

创建对象

首先导入 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>
"""

soup = BeautifulSoup(html) #创建 beautifulsoup 对象


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'))#将本地 index.html 文件打开，用它来创建 soup 对象


格式化打印 soup 对象：

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>


四大对象结构

Beautiful Soup将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

Tag

Tag 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 HTML 标签加上其包含的内容就是 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>


不过，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。

对于 Tag，它有两个重要的属性： name 和 attrs。

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

我们把标签p的所有属性打印输出了出来，得到的类型是一个字典。

print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}


如果我们想要单独获取某个属性，比如说它的 class 属性：

print soup.p['class']
#['title']


还可以利用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>


还可以删除这个属性，例如：

del soup.p['class']
print soup.p
#<p name="dromouse"><b>The Dormouse's story</b></p>


不过对于爬虫来说，修改、删除操作不是我们的主要用途。

NavigableString

如果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


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。

print type(soup.name)
#<type 'unicode'>
print soup.name
# [document]
print soup.attrs
#{} 空字典


Comment

Comment 对象是一个特殊类型的 NavigableString 对象，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。

假设有一个带注释的标签

<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。

遍历文档树

直接子节点

.content

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
#[<title>The Dormouse's story</title>]


由于输出方式为列表，所以我们可以用列表索引来获取它的某一个元素

print soup.head.contents[0]
#<title>The Dormouse's story</title>


.children

返回的不是一个 list，是一个 list 对象迭代器，我们可以通过遍历获取所有子节点。

print soup.head.children
#<listiterator object at 0x7f71457f5710>

for child in  soup.body.children:
print child

>>>
<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>


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。

所有的节点都被打印出来了，先生成最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

for child in soup.descendants:
print child


节点内容

.string

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：

print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story


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。

print soup.html.string
# None


多个内容

.strings

通过遍历的方式获取多个内容，比如下面的例子：

for string in soup.strings:
print(repr(string))
# u"The Dormouse's story"
# u'\n\n'
# u"The Dormouse's story"
# u'\n\n'
# u'Once upon a time there were three little sisters; and their names were\n'
# u'Elsie'
# u',\n'
# u'Lacie'
# u' and\n'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
# u'...'
# u'\n'


.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。

for string in soup.stripped_strings:
print(repr(string))
# u"The Dormouse's story"
# u"The Dormouse's story"
# u'Once upon a time there were three little sisters; and their names were'
# u'Elsie'
# u','
# u'Lacie'
# u'and'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'...'


父节点

.parent

p = soup.p
print p.parent.name
#body

content = soup.head.title.string
print content.parent.name
#title


全部父节点

.parents

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：

content = soup.head.title.string
for parent in  content.parents:
print parent.name

>>>
title
head
html
[document]


兄弟节点

.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。

print soup.p.next_sibling
#       实际该处为空白
print soup.p.prev_sibling
#None   没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
#<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>
#下一个节点的下一个兄弟节点是我们可以看到的节点


全部兄弟节点

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

for sibling in soup.a.next_siblings:
print(repr(sibling))
# u',\n'
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
# u' and\n'
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
# u'; and they lived at the bottom of a well.'
# None


前后节点

.next_element
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

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


那么它的下一个节点便是 title，它是不分层次关系的。

print soup.head.next_element
#<title>The Dormouse's story</title>


所有前后节点

通过 
.next_elements
和 
.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。

for element in last_a_tag.next_elements:
print(repr(element))
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
# <p class="story">...</p>
# u'...'
# u'\n'
# None


搜索文档树

find_all( )

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：

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


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。

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>]

print soup.find_all('a')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


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


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">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
#  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


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：

for tag in soup.find_all(True):
print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a


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 ,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：

def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')


将这个方法作为参数传入 find_all() 方法,将得到所有
<p>
标签:

soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
#  <p class="story">Once upon a time there were...</p>,
#  <p class="story">...</p>]


keyword参数

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

soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]


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

soup.find_all(href=re.compile("elsie"))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]


使用多个指定名字的参数可以同时过滤tag的多个属性

soup.find_all(href=re.compile("elsie"), id='link1')
# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]


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

soup.find_all("a", class_="sister")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
#  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


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>')
data_soup.find_all(data-foo="value")
# 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

data_soup.find_all(attrs={"data-foo": "value"})
# [<div data-foo="value">foo!</div>]


text 参数

通过 text 参数可以搜索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。

soup.find_all(text="Elsie")
# [u'Elsie']

soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']

soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]


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：

soup.find_all("a", limit=2)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]


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
.

find( )

它与 
find_all()
方法唯一的区别是， 
find_all()
方法的返回结果是包含所有符合条件元素的列表，而 
find()
方法直接返回结果。

find_parents()、find_parent()

find_all()
和 
find()
只搜索当前节点的所有子节点、孙子节点等。

find_parents()
和 
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。

find_next_siblings()、find_next_sibling()

这2个方法通过 
.next_siblings
属性对当前 tag 的所有后续兄弟 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。

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。

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。

find_all_previous() 、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。

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。

通过标签名查找

print soup.select('title')
#[<title>The Dormouse's story</title>]


print soup.select('a')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


print soup.select('b')
#[<b>The Dormouse's story</b>]


通过类名查找

print soup.select('.sister')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


通过 id 名查找

print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]


组合查找

组合查找和在写 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。

print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]


直接子标签查找：

print soup.select("head > title")
#[<title>The Dormouse's story</title>]


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。

print soup.select('a[class="sister"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]


print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]


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。

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]


以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()

for title in soup.select('title'):
print title.get_text()


其中，get_text() 是返回字符串形式的文本。

requests和BeautifulSoup相结合

import requests
from bs4 import BeautifulSoup

content = requests.get(url)
soup = BeautifulSoup(content.content)
print(soup.body.text)
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航