分享

智能营销总部:Python 爬虫从入门到进阶之路(十二)

 智能营销总部 2020-07-28

之前的文章我们介绍了 re 模块和 lxml 模块来做爬虫,本章我们再来看一个 bs4 模块来做爬虫。

和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。

lxml 只会局部遍历,而Beautiful Soup 是基于HTML DOM的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。

BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。

Beautiful Soup 3 目前已经停止开发,推荐现在的项目使用Beautiful Soup 4。使用 pip 安装即可:pip install beautifulsoup4

官方文档:http://beautifulsoup./zh_CN/v4.4.0

抓取工具速度使用难度安装难度
正则最快困难无(内置)
BeautifulSoup最简单简单
lxml简单一般

首先必须要导入 bs4 库

 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 # 打开本地 HTML 文件的方式来创建对象
 19 # soup = BeautifulSoup(open('index.html'), "lxml")
 20 
 21 # 格式化输出 soup 对象的内容
 22 print(soup.prettify())


运行结果:

 1 <html> 
 2  <body> 
 3   <div> 
 4    <ul>
 5     <li class="item-0"> 
 6      <a href="link1.html">
 7       first item 
 8      </a> 
 9     </li>
 10     <li class="item-1">
 11      <a href="link2.html">
 12       second item
 13      </a>
 14     </li>
 15     <li class="item-inactive">
 16      <a href="link3.html">
 17       <span class="bold">
 18        third item
 19       </span>
 20      </a>
 21     </li>
 22     <li class="item-1">
 23      <a href="link4.html">
 24       fourth item
 25      </a>
 26     </li>
 27     <li class="item-0">
 28      <a href="link5.html">
 29       fifth item
 30      </a>
 31     </li>
 32    </ul>
 33   </div>
 34  </body>
 35 </html>


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

1. Tag

Tag 通俗点讲就是 HTML 中的一个个标签,例如:

 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
 19 print(soup.a)  # <a href="link1.html">first item</a>
 20 print(soup.span)  # <span class="bold">third item</span>
 21 print(soup.p)  # None
 22 print(type(soup.li))  # <class 'bs4.element.Tag'>


我们可以利用 soup 加标签名轻松地获取这些标签的内容,这些对象的类型是bs4.element.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。如果要查询所有的标签,后面会进行介绍。

对于 Tag,它有两个重要的属性,是 name 和 attrs


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.li.attrs)  # {'class': ['item-0']}
 19 print(soup.li["class"])  # ['item-0']
 20 print(soup.li.get('class'))  # ['item-0']
 21 
 22 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
 23 soup.li["class"] = "newClass"  # 可以对这些属性和内容等等进行修改
 24 print(soup.li)  # <li class="newClass"><a href="link1.html">first item</a></li>
 25 
 26 del soup.li['class']  # 还可以对这个属性进行删除
 27 print(soup.li)  # <li><a href="link1.html">first item</a></li>


2. NavigableString

既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如

 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.li.string)  # first item
 19 print(soup.a.string)  # first item
 20 print(soup.span.string)  # third item
 21 # print(soup.p.string)  # AttributeError: 'NoneType' object has no attribute 'string'
 22 print(type(soup.li.string))  # <class 'bs4.element.NavigableString'>

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,我们可以分别获取它的类型,名称,以及属性来感受一下


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.name)  # [document]
 19 print(soup.attrs)  # {}, 文档本身的属性为空
 20 print(type(soup.name))  # <class 'str'>

4. Comment

Comment 对象是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。

 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5    <a class="sister" href="http:///elsie" id="link1"><!-- Elsie --></a> 
 6  </div> 
 7 """ 
 8  
 9 # 创建 Beautiful Soup 对象
 10 soup = BeautifulSoup(html, "lxml")
 11 
 12 print(soup.a)  # <a class="sister" href="http:///elsie" id="link1"><!-- Elsie --></a>
 13 print(soup.a.string)  # Elsie 
 14 print(type(soup.a.string))  # <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 来输出它的内容时,注释符号已经去掉了。

 

遍历文档树

1. 直接子节点 :.contents .children 属性

.content

tag 的 .content 属性可以将tag的子节点以列表的方式输出,输出方式为列表,我们可以用列表索引来获取它的某一个元素


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.li.contents)  # [<a href="link1.html">first item</a>]
 19 print(soup.li.contents[0])  # <a href="link1.html">first item</a>

.children

它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 
 18 print(soup.ul.children)  # <list_iterator object at 0x106388a20>
 19 for child in  soup.ul.children:
 20     print(child)


输出结果:


 1 <li class="item-0"><a href="link1.html">first item</a></li> 
 2  
 3  
 4 <li class="item-1"><a href="link2.html">second item</a></li> 
 5  
 6  
 7 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 8  
 9 
 10 <li class="item-1"><a href="link4.html">fourth item</a></li>
 11 
 12 
 13 <li class="item-0"><a href="link5.html">fifth item</a></li>


2. 所有子孙节点: .descendants 属性

.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。

1 for child in  soup.ul.descendants:2     print(child)

运行结果:


 1 <li class="item-0"><a href="link1.html">first item</a></li> 
 2 <a href="link1.html">first item</a> 
 3 first item 
 4  
 5 
 6 <li class="item-1"><a href="link2.html">second item</a></li> 
 7 <a href="link2.html">second item</a> 8 second item 
 9 
 10 
 11 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 12 <a href="link3.html"><span class="bold">third item</span></a>
 13 <span class="bold">third item</span>
 14 third item
 15 
 16 
 17 <li class="item-1"><a href="link4.html">fourth item</a></li>
 18 <a href="link4.html">fourth item</a>
 19 fourth item
 20 
 21 
 22 <li class="item-0"><a href="link5.html">fifth item</a></li>
 23 <a href="link5.html">fifth item</a>
 24 fifth item


搜索文档树

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

1)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

A.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<span>标签:

 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 print(soup.find_all('span'))  # [<span class="bold">third item</span>]


B.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 s 开头的标签,这表示 <span标签都应该被找到


 1 from bs4 import BeautifulSoup 
 2 import re 
 3  4 html = """ 
 5 <div> 
 6     <ul> 
 7          <li class="item-0"><a href="link1.html">first item</a></li> 
 8          <li class="item-1"><a href="link2.html">second item</a></li> 
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 10          <li class="item-1"><a href="link4.html">fourth item</a></li>
 11          <li class="item-0"><a href="link5.html">fifth item</a></li>
 12      </ul>
 13  </div>
 14 """
 15 
 16 # 创建 Beautiful Soup 对象
 17 soup = BeautifulSoup(html, "lxml")
 18 for tag in soup.find_all(re.compile("^s")):
 19     print(tag)
 20 # <span class="bold">third item</span>


C.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 <span> 标签:


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 print(soup.find_all(["a", "span"]))
 18 # [<a href="link1.html">first item</a>, <a href="link2.html">second item</a>, <a href="link3.html"><span class="bold">third item</span></a>, <span class="bold">third item</span>, <a href="link4.html">fourth item</a>, <a href="link5.html">fifth item</a>]


2)keyword 参数


 1 from bs4 import BeautifulSoup 
 2  
 3 html = """ 
 4 <div> 
 5     <ul> 
 6          <li class="item-0"><a href="link1.html">first item</a></li> 
 7          <li class="item-1"><a href="link2.html">second item</a></li> 
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li> 
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
 10          <li class="item-0"><a href="link5.html">fifth item</a></li>
 11      </ul>
 12  </div>
 13 """
 14 
 15 # 创建 Beautiful Soup 对象
 16 soup = BeautifulSoup(html, "lxml")
 17 print(soup.find_all(href='link1.html'))  # [<a href="link1.html">first item</a>]


3)text 参数

通过 text 参数可以搜搜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

 1 from bs4 import BeautifulSoup 
 2 import re 
 3  
 4 html = """ 
 5 <div> 
 6     <ul> 
 7          <li class="item-0"><a href="link1.html">first item</a></li> 
 8          <li class="item-1"><a href="link2.html">second item</a></li> 
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 10          <li class="item-1"><a href="link4.html">fourth item</a></li>
 11          <li class="item-0"><a href="link5.html">fifth item</a></li>
 12      </ul>
 13  </div>
 14 """
 15 
 16 # 创建 Beautiful Soup 对象
 17 soup = BeautifulSoup(html, "lxml")
 18 print(soup.find_all(text="first item"))  # ['first item']
 19 print(soup.find_all(text=["first item", "second item"]))  # ['first item', 'second item']
 20 print(soup.find_all(text=re.compile("item")))  # ['first item', 'second item', 'third item', 'fourth item', 'fifth item']

CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.

  • 写 CSS 时,标签名不加任何修饰,类名前加.,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

(1)通过标签名查找


 1 from bs4 import BeautifulSoup 
 2 import re 
 3  
 4 html = """ 
 5 <div> 
 6     <ul> 
 7          <li class="item-0"><a href="link1.html">first item</a></li> 
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 10          <li class="item-1"><a href="link4.html">fourth item</a></li>
 11          <li class="item-0"><a href="link5.html">fifth item</a></li>
 12      </ul>
 13  </div>
 14 """
 15 
 16 # 创建 Beautiful Soup 对象
 17 soup = BeautifulSoup(html, "lxml")
 18 print(soup.select('span'))  # [<span class="bold">third item</span>]

(2)通过类名查找

1 print(soup.select('.item-0'))  
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]

(3)通过 id 名查找

print(soup.select('#item-0'))  # []

(4)组合查找

1 print(soup.select('li.item-0'))
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]
3 print(soup.select('li.item-0>a')) 
4 # [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

(5)属性查找

1 print(soup.select('a[href="link1.html"]'))  # [<a href="link1.html">first item</a>]

  (6) 获取内容


1 for text in soup.select('li'):
2     print(text.get_text())
3 """
4 first item
5 second item
6 third item
7 fourth item
8 fifth item
9 """

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多