python爬蟲之BeautifulSoup
- 2019 年 12 月 31 日
- 筆記
文章目錄
- 1. python爬蟲之BeautifulSoup
python爬蟲之BeautifulSoup
簡介
Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少程式碼就可以寫出一個完整的應用程式。Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，你僅僅需要說明一下原始編碼方式就可以了。Beautiful Soup已成為和lxml、html6lib一樣出色的python解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。
安裝
pip install BeautifulSoup4easy_install BeautifulSoup4
創建BeautifulSoup對象
- 首先應該導入
BeautifulSoup類庫from bs4 import BeautifulSoup - 下面開始創建對像，在開始之前為了方便演示，先創建一個
html文本，如下：
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> """
- 創建對象：
soup=BeautifulSoup(html,'lxml'),這裡的lxml是解析的類庫，目前來說個人覺得最好的解析器了，一直在用這個，安裝方法：pip install lxml
Tag
Tag就是html中的一個標籤，用BeautifulSoup就能解析出來Tag的具體內容，具體的格式為soup.name,其中name是html下的標籤，具體實例如下：
print soup.title輸出title標籤下的內容，包括此標籤，這個將會輸出<title>The Dormouse's story</title>print soup.head
注意：
這裡的格式只能獲取這些標籤的第一個，後面會講到獲取多個標籤的方法。其中對於
Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下：
name:對於Tag，它的name就是其本身，如soup.p.name就是pattrs是一個字典類型的，對應的是屬性-值，如print soup.p.attrs,輸出的就是{'class': ['title'], 'name': 'dromouse'},當然你也可以得到具體的值，如print soup.p.attrs['class'],輸出的就是[title]是一個列表的類型，因為一個屬性可能對應多個值,當然你也可以通過get方法得到屬性的，如：print soup.p.get('class')。還可以直接使用print soup.p['class']
get
get方法用於得到標籤下的屬性值，注意這是一個重要的方法，在許多場合都能用到，比如你要得到<img src="#">標籤下的影像url,那麼就可以用soup.img.get('src'),具體解析如下：
print soup.p.get("class") #得到第一個p標籤下的src屬性
string
得到標籤下的文本內容，只有在此標籤下沒有子標籤，或者只有一個子標籤的情況下才能返回其中的內容，否則返回的是
None具體實例如下：
print soup.p.string #在上面的一段文本中p標籤沒有子標籤，因此能夠正確返迴文本的內容 print soup.html.string #這裡得到的就是None,因為這裡的html中有很多的子標籤
get_text()
可以獲得一個標籤中的所有文本內容，包括子孫節點的內容，這是最常用的方法
搜索文檔樹
find_all( name , attrs , recursive , text , **kwargs )
find_all是用於搜索節點中所有符合過濾條件的節點 1.name參數：是Tag的名字，如p,div,title…..
- soup.find_all("p") 查找所有的p標籤，返回的是[<b>The Dormouse's story</b>]，可以通過遍歷獲取每一個節點，如下：
ps=soup.find_all("p") for p in ps: print p.get('class') #得到p標籤下的class屬性
- 傳入正則表達式：
soup.find_all(re.compile(r'^b')查找以b開頭的所有標籤，這裡的body和b標籤都會被查到 - 傳入類列表：如果傳入列表參數,
BeautifulSoup會將與列表中任一元素匹配的內容返回.下面程式碼找到文檔中所有<a>標籤和<b>標籤
soup.find_all(["a", "b"])
2.
KeyWords參數，就是傳入屬性和對應的屬性值，或者一些其他的表達式
soup.find_all(id='link2'),這個將會搜索找到所有的id屬性為link2的標籤。傳入正則表達式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達式的標籤- 傳入多個值：
soup.find_all(id='link2',class_='title'),這個將會查找到同時滿足這兩個屬性的標籤，這裡的class必須用class_傳入參數，因為class是python中的關鍵詞 - 有些屬性不能通過以上方法直接搜索，比如
html5中的data-*屬性，不過可以通過attrs參數指定一個字典參數來搜索包含特殊屬性的標籤，如下：
# [<div data-foo="value">foo!</div>] data_soup.find_all(attrs={"data-foo": "value"}) #注意這裡的atts不僅能夠搜索特殊屬性，亦可以搜索普通屬性 soup.find_all("p",attrs={'class':'title','id':'value'}) #相當與soup.find_all('p',class_='title',id='value')
3.text參數：通過 text 參數可以搜搜文檔中的字元串內容.與 name 參數的可選值一樣, text 參數接受 字元串 , 正則表達式 , 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"]
4.limit參數：find_all() 方法返回全部的搜索結構,如果文檔樹很大那麼搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果. 文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量,程式碼如下：
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>]
5.
recursive參數:調用tag的find_all()方法時,BeautifulSoup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數recursive=False
find( name , attrs , recursive , text , **kwargs )
它與
find_all()方法唯一的區別是find_all()方法的返回結果是值包含一個元素的列表,而find()方法直接返回結果,就是直接返回第一匹配到的元素，不是列表，不用遍歷，如soup.find("p").get("class")
css選擇器
我們在寫
CSS時，標籤名不加任何修飾，類名前加點，id名前加#，在這裡我們也可以利用類似的方法來篩選元素，用到的方法是soup.select()，返回類型是list
通過標籤名查找
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>]
通過類名查找
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>]
通過id名查找
print soup.select('#link1') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
組合查找
學過
css的都知道css選擇器，如p #link1是查找p標籤下的id屬性為link1的標籤
print soup.select('p #link1') #查找p標籤中內容為id屬性為link1的標籤 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] print soup.select("head > title") #直接查找子標籤 #[<title>The Dormouse's story</title>]
屬性查找
查找時還可以加入屬性元素，屬性需要用中括弧括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到。
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>]
同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格,程式碼如下：
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方法返回的結果都是列表形式，可以遍歷形式輸出，然後用get_text()方法來獲取它的內容
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()
修改文檔樹
Beautiful Soup的強項是文檔樹的搜索,但同時也可以方便的修改文檔樹,這個雖說對於一些其他的爬蟲並不適用，因為他們都是爬文章的內容的，並不需要網頁的源碼並且修改它們，但是在我後續更新的文章中有用python製作pdf電子書的,這個就需要用到修改文檔樹的功能了，詳情請見本人部落格
修改tag的名稱和屬性
html=""" <p><a href='#'>修改文檔樹</a></p> """ soup=BeautifulSoup(html,'lxml') tag=soup.a #得到標籤a，可以使用print tag.name輸出標籤 tag['class']='content' #修改標籤a的屬性class和div tag['div']='nav'
修改.string
注意這裡如果標籤的中還嵌套了子孫標籤，那麼如果直接使用
string這個屬性會將這裡的所有的子孫標籤都覆蓋掉
html=""" <p><a href='#'>修改文檔樹</a></p> """ soup=BeautifulSoup(html,'lxml') tag=soup.a tag.string='陳加兵的部落格' #這裡會將修改文檔樹變成修改的內容 print tag soup.p.string='陳加兵的部落格' #這裡修改了p標籤的內容，那麼就會覆蓋掉a標籤，直接變成的修改後的文本 print soup
append
append的方法的作用是在在原本標籤文本後面附加文本，就像python中列表的append方法
html=""" <p><a href='#'>修改文檔樹</a></p> """ soup=BeautifulSoup(html,'lxml') soup.a.append("陳加兵的部落格") #在a標籤和面添加文本，這裡的文本內容將會變成修改文檔樹陳加兵的部落格 print soup print soup.a.contents #這裡輸出a標籤的內容，這裡的必定是一個帶有兩個元素的列表
注意這裡的
append方法也可以將一個新的標籤插入到文本的後面，下面將會講到
new_tag
相信學過
js的朋友都知道怎樣創建一個新的標籤，這裡的方法和js中的大同小異，使用的new_tag
html=""" <p><p> """ soup=BeautifulSoup(html,'lxml') tag=soup.p new_tag=soup.new_tag('a') #創建一個新的標籤a new_tag['href']='#' #添加屬性 new_tag.string='陳加兵的部落格' #添加文本 print new_tag tag.append(new_tag) #將新添加的標籤寫入到p標籤中 print tag
insert
Tag.insert()方法與Tag.append()方法類似,區別是不會把新元素添加到父節點.contents屬性的最後,而是把元素插入到指定的位置.與Python列表總的.insert()方法的用法下同:
html=""" <p><p> """ soup=BeautifulSoup(html,'lxml') tag=soup.p new_tag=soup.new_tag('a') new_tag['href']='#' new_tag.string='陳加兵的部落格' tag.append("歡迎來到") #這裡向p標籤中插入文本，這個文本在contents下的序號為0 tag.insert(1,new_tag) #在contents序號為1的位置插入新的標籤，如果這裡修改成0，那麼將會出現a標籤將會出現在歡飲來到的前面 print tag
注意這的1是標籤的內容在
contents中的序號，可以用print tag.contents查看當前的內容
insert_before() 和 insert_after()
insert_before()方法在當前tag或文本節點前插入內容,insert_after()方法在當前tag或文本節點後插入內容:
soup = BeautifulSoup("<b>stop</b>") tag = soup.new_tag("i") tag.string = "Don't" soup.b.string.insert_before(tag) soup.b # <b><i>Don't</i>stop</b> soup.b.i.insert_after(soup.new_string(" ever ")) soup.b # <b><i>Don't</i> ever stop</b> soup.b.contents # [<i>Don't</i>, u' ever ', u'stop']
clear
clear用來移除當前節點的所有的內容，包括其中的子孫節點和文本內容
html=""" <p><p> """ soup=BeautifulSoup(html,'lxml') tag=soup.p new_tag=soup.new_tag('a') new_tag['href']='#' new_tag.string='陳加兵的部落格' tag.append("歡迎來到") tag.insert(1,new_tag) tag.clear() #這裡將會移除所有內容 print tag
