【原】深入解析网页结构解析模块beautifulsoup

Python进阶者 2023-02-10 发布于广东

展开全文

今

日

鸡

汤

一声梧叶一声秋，一点芭蕉一点愁，三更归梦三更后。

大家好，我是Python进阶者，今天给大家分享一个网页结构解析模块beautifulsoup。

前言

beautifulsoup（以下简称bs），是一款网页结构解析模块，它支持传统的Xpath，css selector 语法，可以说很强大了，下面我们就来着重介绍下它的用法。

安装

bs 可以使用pip 或者easy_install安装，方便快捷。

pip install Beautifulsoup4

基本用法

一般就是先由requests 获取到网页源码后然后对页面进行解析，如图：

这样就基本上拿到了页面的源码了。

1.根据标签直接获取元素，如下图：

2.根据find，find_all方法查找

前者返回一个结果，后者返回所有结果

find( name , attrs , recursive , text , **kwargs )
name :要查找的标签名（字符串、正则、方法、True）
attrs: 标签的属性
recursive: 递归
text: 查找文本
**kwargs :其它 键值参数

因为class是关键字，所以要写成class_="value", 等同于attrs={"class":"value"}

这里的参数适用于find find_all两种方法。

只不过find_all 还有其他参数，比如限制查找返回数量的limit方法，标签内容string方法。

3.根据select方法查找

soup.select('div')	所有名为<div>的元素
soup.select('#aa')	所有 id 属性名为aa的元素
soup.select('.oo')	所有class 属性名为oo的元素
soup.select('div p')	所有在<div>元素之内的<p>元素
soup.select('div >p')	所有直接在<div>元素之内的<p>元素，中间没有其他元素
soup.select('input[name]')	所有名为<input>，并有一个 name 属性，其值无所谓的元素
soup.select('input[type="button"]')	所有名为<input>,并有一个 type 属性，其值为 button 的元素

soup.select('a')[0].get_text() # 获取首个a元素的文本

soup.select('a')[0].attrs['href'] # 获取首个a元素的链接地址

4.关系节点名

find_parents()返回所有祖先节点的列表，find_parent()返回直接父节点
print(soup.title.find_parent())
print(soup.title.find_parent().find_all('link')[1])
print(soup.title.find_parents())
find_next_siblings()返回后面所有兄弟节点的列表，find_next_sibling()返回后面第一个兄弟节点
print(soup.title.find_next_sibling())
print(soup.title.find_next_siblings())
find_previous_siblings()返回前面所有兄弟节点的列表，find_previous_sibling()返回前面第一个兄弟节点
print(soup.title.find_previous_sibling())
print(soup.title.find_previous_siblings())
find_all_next()返回节点后所有符合条件的节点的列表, find_next()返回节点后第一个符合条件的节点
print(soup.title.find_next('link'))
print(soup.title.find_all_next('link'))
find_all_previous()返回节点前所有符合条件的节点, find_previous()返回节点前第一个符合条件的节点
print(soup.title.find_previous('link'))
print(soup.title.find_all_previous('link'))

5.对象种类

tag(标签)  navigablestring(标签内字符串)  beautifulsoup(对象)  comment(备注)
rep=requests.get('https://book.qidian.com/info/1014243481#Catalog',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')
print(soup.name)  #beautifulsoup 对象
tr=soup.div
print(type(tr),tr) #tag对象 标签
print(tr.get_attribute_list('class')) #获取属性对应列表
print(tr.a.string) #navigablestring 对象，获取标签内文字，可使用str()方法将她转换为unicode字符串print(soup.a.string.replace_with('fdf')) #替换navigablestring

comment 即为提取的注释内容，一般被！--xxxxxxx--! 包裹的内容就是了

三、使用案例

爬取起点小说主页第一页所有小说名字和链接，如图：

import requestsfrom bs4 import BeautifulSouprep=requests.get('https://www.qidian.com/all',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')#按照步骤一步一步来爬取ul=soup.find_all('ul','all-img-list cf')for y in ul:     for z in y.find_all('div','book-mid-info'):        for x in z.find_all('h4'):            for v in x.find_all('a'):                print(v.get_text(),'https:'+v.attrs['href']) #获取a标签的内容和href属性值