Python之BeautifulSoup库详解
BeautifulSoup是一个灵活方便的网页解析库,处理高效,能够自动的将输入文档转换为Unicode编码,输出文档转换为utf-8编码,且支持多种解析器。其最主要的功能是从网页抓取数据。
一、简介
BeautifulSoup是一个灵活方便的网页解析库,处理高效,能够自动的将输入文档转换为Unicode编码,输出文档转换为utf-8编码,且支持多种解析器。其最主要的功能是从网页抓取数据。
二、解析器
解析器 | 使用方法 | 优势 | 劣势 |
---|---|---|---|
Python标准库 | BeautifulSoup(markup, ‘html.parser’) | python内置的标准库,执行速度适中 | Python3.2.2之前的版本容错能力差 |
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 ‘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,不依赖外部拓展 |
三、基本使用步骤
3.1 获取网页源码也可以通过字符串自己构建一个网页的源码
# 给请求指定一个请求头来模拟chrome浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36'}
# 爬图地址
addr = 'https://sc.chinaz.com/tupian/'
def getHtmlSource():
# 使用请求头来模拟chrome浏览器访问网页,获取页面响应结果
res = requests.get(addr, headers=headers).text
print(res)
requests.get().text
返回的是Unicode型的数据,requests.get().content
返回的是bytes型的数据。如果只是使用.text来获取页面源码的话,获取的源码中中文会乱码。可以使用一下方法解决中文乱码:
(1)手动指定页面编码
res = requests.get(addr, headers=headers)
res.encoding = 'UTF-8'
html_doc = res.text
(2)使用.content方法
html_doc = str(requests.get(addr, headers=headers).content, 'UTF-8')
3.2 使用解析器解析页面响应结果
# 使用自带的html.parser解析页面响应结果
soup = BeautifulSoup(html_doc, 'html.parser')
# 使用lxml HTML解析器解析页面响应结果
soup = BeautifulSoup(html_doc, 'lxml')
# 使用lxml XML解析器解析页面响应结果
soup = BeautifulSoup(html_doc, 'xml')
# 使用html5lib解析页面响应结果
soup = BeautifulSoup(html_doc, 'html5lib')
四、四大对象种类
Beautiful Soup将复杂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
4.1 Tag
Tag 通俗点讲就是 HTML 中的一个个标签,例如:title
、head
、a
、p
等等 HTML 标签加上里面包括的内容就是 Tag。但是注意,它查找的是在所有内容中的第一个符合要求的标签。
# 创建BeautifulSoup对象
soup = BeautifulSoup(html_doc, 'html.parser')
# 通过Tag对象获取title标签信息
print(soup.title)
## <title>图片、图片下载、高清图片材</title>
# 通过Tag对象获取a标签信息
print(soup.a)
## <a class="logo" href="/"><img src="../static/common/com_images/image.png"/></a>
Tag 它有两个重要的属性,是 name 和 attrs。
(1) name: 输出标签的标签类型名:
print(soup.title.name)
# title
print(soup.p.name)
# p
(2) attrs: 以字典的形式获取标签的属性:
# 获取标签的所有属性
soup.p.attrs
# 获取标签的某个属性
soup.p.attrs['js-do']
soup.p.get('js-do')
# 修改标签的属性
soup.p.attrs['js-do'] = 'newContenct'
# 删除标签的属性
del soup.p.attrs['js-do']
4.2 NavigableString
注意作用是为了获取标签内部的文字。
# 获取标签内部文字
print(soup.title.string)
4.3 BeautifulSoup
BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们也可以获取它的属性及名称。
# 获取BeautifulSoup对象名称
print(soup.name)
# 获取BeautifulSoup对象属性
print(soup.attr)
4.4 Comment
Comment 对象是一个特殊类型的 NavigableString 对象,如果标签内部的内容是注释,其输出的内容不包括注释符号。
print(soup.a)
## <a class="logo" href=""><!-- zhushi --></a>
print(soup.a.string)
## zhushi
print(type(soup.a.string))
## <class 'bs4.element.Comment'>
五、搜索文档树
find(name, attrs, recursive, string, **kwargs)
:获取匹配的第一个标签;
find_all(name, attrs, recursive, string, limit, **kwargs)
:返回结果是值包含一个元素的列表;
name
:是根据标签的名称进行匹配,name的值相当于过滤条件,可以是一个具体的标签名,多个标签名组成的列表,或者是一个正在表达式,甚至是函数方法等等。attrs
:是根据标签的属性进行匹配。recursive
:是否递归搜索,默认为True,会搜索当前tag的所有子孙节点,设置为False,则只搜索儿子节点。string
:是根据标签的文本内容去匹配。limit
:设置查询的结果数量。kwargs
:也是根据标签的属性进行匹配,与attrs的区别在于写法不一样,且属性的key不能是保留字,也不能与其他参数名相同。
5.1 使用name进行匹配
# 查找所有的<a>标签
soup.find_all(name="a") # 可以简写成 soup.find_all("a")
# 查找所有的<title>标签或者<link>标签
soup.find_all(name={'title', 'link'}) # 可以简写成 soup.find_all(['title', 'link'])
# 查找所有以a开头的标签
soup.find_all(name=re.compile("^a")) # 可以简写成 soup.find_all(re.compile("^a"))
# 查找有class属性并且没有id属性的节点
soup.find_all(hasClassNoId)
def hasClassNoId(tag):
return tag.has_attr('class') and not tag.has_attr('id')
# 查找body里面所有标签
soup.find('body').find_all(True)
5.2 使用attrs进行匹配
# 查找所有name属性值为tb_name的标签
soup.find_all(attrs={"name": "tb_name"})
# 查找所有id属性值为id_attr1或者id_attr2的标签
soup.find_all(attrs={'id': ['id_attr1', 'id_attr2']})
# 查找id属性值中含有id_的所有标签
soup.find_all(attrs={'id':re.compiles('id_')})
# 查找含有id属性的所有tag
soup.find_all(attrs={'id':True})
# 查找href属性值中以.html结尾的所有标签
soup.find_all(attrs={'href': search_html})
def search_html(attr):
return attr and attr.lower().endswith('.html')
5.3 使用kwargs进行匹配
也是通过标签的属性进行匹配,需要特别注意的是name属性以及class属性,name属于与find_all方法的第一个参数名相同,这里使用name='属性值'进行查询的话,如果是一个参数会与标签名进行匹配,如果是多个参数,则方法会报错;而class是python的保留字,使用class属性进行匹配的时候需要写成class_='属性值'的方式
# 查找<div>中name属性值是backpage的所有标签
soup.find_all('div', name='backpage') ## 会报错
# 查找class属性值是backpage的所有标签
soup.find_all(class_='backpage')
# 查找所有id属性值为id_attr1或者id_attr2的标签
soup.find_all(id=['id_attr1', 'id_attr2'])
# 查找href的属性值包含.html的所有的标签
soup.find_all(href=re.compile('.html'))
# 查找含有id属性的所有tag
soup.find_all(id=True)
# 查找href属性值中以.html结尾的所有标签
soup.find_all(href= search_html)
def search_html(attr):
return attr and attr.lower().endswith('.html')
5.4 使用string进行匹配
需要注意的是这里返回标签的值,如果需要获取到对应的标签,可以使用previous_element属性来获得
# 查找标签的value是'上一页'的所有value值
soup.find_all(string='上一页')
# 查找标签的value是'上一页'的所有标签
[value.previous_element for value in soup.find_all(string='上一页')]
# 查找value是'上一页'或者'下一页'的所有value值
soup.find_all(string=['上一页','下一页'])
# 查找value中存在'页'的所有value值
soup.find_all(string=re.compile('页'))
# 查找在value值的所有的string
soup.find_all(string=True)
# 查找所有value值是以'页'为结尾的value值
soup.find_all(string=search_string)
def search_string(string):
return string and string.lower().endswith('页')
六、遍历文档树
contents
:返回的是一个包含所有儿子节点的列表。children
:返回的是一个包含所有儿子节点的迭代器。descendants
:返回的是一个包含所有子孙节点的生成器。
contents、children只包含直接儿子节点,descendants既包含儿子节点还包含孙子节点。
6.1 通过contents获取目标节点的所有子节点
tag_soup = soup.find('div', class_='container').contents
print(type(tag_soup))
for t in tag_soup:
if t != '\n': # 去掉换行符
print(t)
6.2 通过children获取目标节点的所有子节点
tag_soup = soup.find('div', class_='container').children
print(type(tag_soup))
for t in tag_soup:
if t != '\n': # 去掉换行符
print(t)
6.3 通过descendants获取目标节点的所有子孙节点
tag_soup = soup.find('div', class_='container').descendants
print(type(tag_soup))
for t in tag_soup:
if t != '\n': # 去掉换行符
print(t)
6.4 通过parents获取目标节点的所有祖先节点
tag_soup = soup.find('div', class_='container').parents
print(type(tag_soup))
for t in tag_soup:
if t != '\n': # 去掉换行符
print(t)
6.5 获取目标节点相关联的其他节点
a_soup = soup.find('div', class_='container').a # 获取div里面的第一个<a>标签
print(a_soup.parent) # 获取<a>标签的父节点
print(a_soup.next_sibling) # 获取<a>标签的下一个兄弟节点
print(a_soup.previous_sibling) # 获取<a>标签的上一个兄弟节点
print(a_soup.next_siblings) # 获取<a>标签下面的所有兄弟节点
print(a_soup.previous_siblings) # 获取<a>标签上面的所有兄弟节点
七、css选择器
7.1 通过标签名查找
# 查找所有title标签
soup.select('title')
# 查找div下的所有input标签
soup.select('div input')
# 查找html节点下的head节点下的title标签
soup.select("html head title")
7.2 通过id查找
# 查找id为id_text的标签
soup.select("#id_text")
# 查找id为id_text1、id_text2的标签
soup.select("#id_text1, #id_text2")
# 查找id为id_text1的input标签
soup.select('input#id_text1')
7.3 通过类名查找
# 查找类名为nextpage的标签
soup.select(".nextpage")
# 查找类名为nextpage、active的标签
soup.select('.nextpage, .active')
# 查找类名为nextpage的a标签
soup.select('a.nextpage')
7.4 通过属性查找
# 选择有href属性的a标签
soup.select('a[href]')
# 选择href属性为index_2.html的a标签
soup.select('a[href="index_2.html"]')
# 选择href以index开头的a标签
soup.select('a[href^="index"]')
# 选择href以html结尾的a标签
soup.select('a[href$="html"]')
# 选择href属性包含index的a标签
soup.select('a[href*="index"]')
7.5 其他选择器
# 查找div标签下的a标签
soup.select("div > a")
# 父节点中的第3个a标签
soup.select("a:nth-of-type(3)")
# a标签之后的input标签(a和input有共同父节点)
soup.select("a~input")
![Logo](https://devpress.csdnimg.cn/79de2bf0b7994defa4242ef90d5513fa.jpg)
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
所有评论(0)