爬虫之Beautiful Soup

了解Beautiful Soup

中文文档:

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式

安装

  • beautifulsoup4

>: pip install beautifulsoup4
  • 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 .根据操作系统不同,可以选择下列方法来安装lxml:

$ apt-get install Python-lxml

$ easy_install 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,可以选择下列方法来安装html5lib:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点,官网推荐使用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.

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 解析器

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
html5libBeautifulSoup(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

使用

案例目标页面代码

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
# 实例化BeautifulSoup, 将目标页面代码和解析器传入
soup = BeautifulSoup(html_doc, "lxml")  # 使用lxml解析器,,容错率高

基础使用

  • prettify

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, "lxml")  
res = soup.prettify()  # 美化页面代码
print(res)

遍历文档树

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

#1、用法
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, "lxml") 
# soup = BeautifulSoup(open(‘a.html‘), ‘lxml‘)

# 1.用法
# 存在多个相同的标签则只返回第一个
print(soup.p)  # <p class="title"><b>The Dormouse‘s story</b></p>

# 2、获取标签的名称
print(soup.p.name)  # p

# 3、获取标签的属性
print(soup.p.attrs)  # {‘class‘: [‘title‘]}

# 4、获取标签的内容
# p内的文本只有一个时,取到,否则为None
print(soup.p.string)  # The Dormouse‘s story
# 拿到一个生成器对象, 取到p下所有的文本内容
print(soup.p.strings)  # <generator object _all_strings at 0x0000023916778938>
# 取到p下所有的文本内容
print(soup.p.text)
# 去掉空白
for line in soup.stripped_strings:
    print(line)

‘‘‘
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,如果只有一个子节点那么就输出该子节点的文本,比如下面的这种结构,soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
<p id=‘list-1‘>
    哈哈哈哈
    <a class=‘sss‘>
        <span>
            <h1>aaaa</h1>
        </span>
    </a>
    <b>bbbbb</b>
</p>
‘‘‘

# 5、嵌套选择
# head标签内的title标签内的文本
print(soup.head.title.string)  # The Dormouse‘s story
# body标签内的a标签内的文本
print(soup.body.a.string)  # Elsie

# 6、子节点、子孙节点
# p下所有子节点
print(soup.p.contents)  # [<b>The Dormouse‘s story</b>]
# 包含p下所有子节点
print(soup.p.children)  # <list_iterator object at 0x000001FD5E4DF320>
for i, child in enumerate(soup.p.children):
    print(i, child)  # 0 <b>The Dormouse‘s story</b>
# 获取子孙节点,p下所有的标签都会选择出来
print(soup.p.descendants)  #
for i, child in enumerate(soup.p.descendants):
    print(i, child)

# 7、父节点、祖先节点
# 获取a标签的父节点
print(soup.a.parent)
# 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(soup.a.parents)

# 8、兄弟节点
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=>生成器对象
print(soup.a.previous_siblings)  # 上面的兄弟们=>生成器对象

搜索文档树

  • 五种过滤器

五种过滤器: 
#1.字符串、
#2.正则表达式、
#3.列表、
#4.True、
#5.方法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,‘lxml‘)
# 1、字符串:即标签名
print(soup.find_all(name=‘b‘))  # [<b>The Dormouse‘s story</b>]
# print(soup.find_all(‘b‘))
# .2、正则表达式
import re
#找出b开头的标签,结果有body和b标签
print(soup.find_all(re.compile(‘^b‘)))
# 3、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:
print(soup.find_all([‘a‘,‘b‘]))
# 4、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
print(soup.find_all(True))
for tag in soup.find_all(True):
    print(tag.name)
# 5、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
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))
  • find_all(name, attrs, recursive, text, **kwargs)

find_all方法的参数:
#1.name 
#2.attrs , 
#3.recursive ,
#4.text , 
#5.**kwargs
2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile(‘^t‘)))

#2.2、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>]

#2.3、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

#2.4、attrs
print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘}))

#2.5、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‘))

#2.6、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))

#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)
‘‘‘
  • find

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:

soup.find_all(‘title‘, limit=1)
# [<title>The Dormouse‘s story</title>]
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:

soup.head.title
# <title>The Dormouse‘s story</title>
soup.find("head").find("title")
# <title>The Dormouse‘s story</title>

CSS选择器(******)

该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37

# 1、CSS选择器
# 2、获取属性
# 3、获取内容
html_doc = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title">
    <b>The Dormouse‘s story</b>
    Once upon a time there were three little sisters; and their names were
    <a href="http://example.com/elsie" class="sister" id="link1">
        <span>Elsie</span>
    </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>;
    <div class=‘panel-1‘>
        <ul class=‘list‘ id=‘list-1‘>
            <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‘><h1 class=‘yyyy‘>Foo</h1></li>
            <li class=‘element xxx‘>Bar</li>
            <li class=‘element‘>Jay</li>
        </ul>
    </div>
    and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,‘lxml‘)

#1、CSS选择器
print(soup.p.select(‘.sister‘))
print(soup.select(‘.sister span‘))

print(soup.select(‘#link1‘))
print(soup.select(‘#link1 span‘))

print(soup.select(‘#list-2 .element.xxx‘))

print(soup.select(‘#list-2‘)[0].select(‘.element‘)) #可以一直select,但其实没必要,一条select就可以了

# 2、获取属性
print(soup.select(‘#list-2 h1‘)[0].attrs)

# 3、获取内容
print(soup.select(‘#list-2 h1‘)[0].get_text())

修改文档树

官方文档

总结

#1、推荐使用lxml解析库
#2、讲了三种选择器:标签选择器,find与find_all,css选择器
    1、标签选择器筛选功能弱,但是速度快
    2、建议使用find,find_all查询匹配单个结果或者多个结果
    3、如果对css选择器非常熟悉建议使用select
#3、记住常用的获取属性attrs和文本值get_text()的方法

 防止XSS攻击

相关推荐