【python爬虫基础入门】系列是对python爬虫的一个入门练习实践，旨在用最浅显易懂的语言，总结最明了，最适合自己的方法，本人一直坚信，总结才会使人提高
1. BeautifulSoup库简介
BeautifulSoup库在python中被美其名为“靓汤”，它和和 lxml 一样也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，若在没用安装此库的情况下， Python 会使用 Python默认的解析器lxml，lxml 解析器更加强大，速度更快，而BeautifulSoup库中的lxml解析器则是集成了单独的lxml的特点，使得功能更加强大。
需要注意的是，Beautiful Soup已经自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。因此在使用它的时候不需要考虑编码方式，仅仅需要说明一下原始编码方式就可以了。
使用pip命令工具安装BeautifulSoup4库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ BeautifulSoup # 使用清华大学镜像源安装
2. BeautifulSoup库的主要解析器
在代码中 html.parser是一种针对于html网页页面的解析器，Beautiful Soup库还有其他的解析器，用于针对不同的网页
demo = 'https://www.baidu.com' soup = BeautifulSoup(demo,'html.parser')
解析器
使用方法
条件
bs4的html解析器
BeautifulSoup(demo,‘html.parser')
安装bs4库
lxml的html解析器
BeautifulSoup(demo,‘lxml')
pip install lxml
lxml的xml解析器
BeautifulSoup(demo,‘xml')
pip install lxml
html5lib的解析器
BeautifulSoup(demo,‘html5lib')
pip install html5lib
3. BeautifulSoup的简单使用
假如有一个简单的网页，提取百度搜索页面的一部分源代码为例
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type" /> <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> <meta content="always" name="referrer" /> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min. css" rel="stylesheet" type="text/css" /> <title>百度一下，你就知道 </title> </head> <body link="#0000cc"> <div > <div > <div > <div > <a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews">新闻 </a> <a href="https://www.hao123.com" rel="external nofollow" name="tj_trhao123">hao123 </a> <a href="http://map.baidu.com" rel="external nofollow" name="tj_trmap">地图 </a> <a href="http://v.baidu.com" rel="external nofollow" name="tj_trvideo">视频 </a> <a href="http://tieba.baidu.com" rel="external nofollow" name="tj_trtieba">贴吧 </a> <a href="//www.baidu.com/more/" rel="external nofollow" name="tj_briicon" >更多产品 </a> </div> </div> </div> </div> </body> </html>
结合requests库和使用BeautifulSoup库的html解析器，对其进行解析有如下
import requests
from bs4 import BeautifulSoup
# 使用Requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.raise_for_status() # 状态码返回
r.encoding = r.apparent_encoding
demo = r.text
# 使用BeautifulSoup库解析代码
soup = BeautifulSoup(demo,'html.parser') # 使用html的解析器
print(soup.prettify()) # prettify 方式输出页面
4. BeautifuSoup的类的基本元素
BeautifulSoup4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,BeautifulSoup库有针对于html的标签数的特定元素，重点有如下三种
<p > ... </p>
- Tag
- NavigableString
- Comment
- BeautifulSoup
基本元素
说明
Tag
标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾，格式：soup.a或者soup.p（获取a标签中或者p标签中的内容）
Name
标签的名字，
…
的名字是‘p' 格式为：.name Attributes 标签的属性，字典形式组织，格式：.attrs NavigableString 标签内非属性字符串，<>…</>中的字符串，格式：.string Comment 标签内的字符串的注释部分，一种特殊的Comment类型4.1 Tag
标签是html中的最基本的信息组织单元，使用方式如下
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title) # 获取title标签的所有内容 print(bs.head) # 获取head标签的所有内容 print(bs.a) # 获取第一个a标签的所有内容 print(type(bs.a)) # 类型
在Tag标签中最重要的就是html页面中的name哈attrs属性，使用方式如下
print(bs.name)
print(bs.head.name) # head 之外对于其他内部标签，输出的值便为标签本身的名称
print(bs.a.attrs) # 把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(bs.a['class']) # 等价 bs.a.get('class') 也可以使用get方法，传入属性的名称，二者是等价的
bs.a['class'] = "newClass" # 对这些属性和内容进行修改
print(bs.a)
del bs.a['class'] # 对这个属性进行删除
print(bs.a)
4.2 NavigableString
NavigableString中的string方法用于获取标签内部的文字
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.title.string) print(type(bs.title.string))
4.3 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，用于输出注释中的内容
from bs4 import BeautifulSoup html = 'https://www.baidu.com' bs = BeautifulSoup(html,"html.parser") print(bs.a) # 标签中的内容<a href="http://news.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trnews"><!--新闻--></a> print(bs.a.string) # 新闻 print(type(bs.a.string)) # <class 'bs4.element.Comment'>
5. 基于bs4库的HTML内容的遍历方法
在HTML中有如下特定的基本格式，也是构成HTML页面的基本组成成分
而在这种基本的格式下有三种基本的遍历流程
- 下行遍历
- 上行遍历
- 平行遍历
三种种遍历方式分别是从当前节点出发。对之上或者之下或者平行的格式以及关系进行遍历
5.1 下行遍历
下行遍历有三种遍历的属性，分别是
- contents
- children
- descendants
属性
说明
.contents
子节点的列表，将所有儿子节点存入列表
.children
子节点的迭代类型，用于循环遍历儿子节点
.descendants
子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
使用举例
soup = BeautifulSoup(demo,'html.parser') # 循环遍历儿子节点 for child in soup.body.children: print(child) # 循环遍历子孙节点 for child in soup.body.descendants: print(child) # 输出子节点的列表形式 print(soup.head.contents) print(soup.head.contents[1]) # 用列表索引来获取它的某一个元素
5.2 上行遍历
上行遍历有两种方式
- parent
- parents
soup = BeautifulSoup(demo,'html.parser') for parent in soup.a.parents: if parent is None: parent(parent) else: print(parent.name)
5.3 平行遍历
平行遍历有四种属性
- next_sibling
- previous_sibling
- next_siblings
- previous_siblings
属性
说明
.next_sibling
返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling
返回按照HTML文本顺序的上一个平行节点标签
.next_siblings
迭代类型，返回按照html文本顺序的后续所有平行节点标签
.previous_siblings
迭代类型，返回按照html文本顺序的前序所有平行节点标签
平行遍历举例如下
for sibling in soup.a.next_sibling: print(sibling) # 遍历后续节点 for sibling in soup.a.previous_sibling: print(sibling) # 遍历
5.4 其他遍历
6. 文件树搜索
使用soup.find_all(name,attrs,recursive,string,**kwargs)方法，用于返回一个列表类型，存储查找的结果
- name：对标签名称的检索字符串
- attrs：对标签属性值得检索字符串，可标注属性检索
- recursive：是否对子孙全部检索，默认为
- Truestring：用与在信息文本中特定字符串的检索
6.1 name参数
如果是指定的字符串：会查找与字符串完全匹配的内容，如下
a_list = bs.find_all("a")
print(a_list) # 将会返回所有包含a标签的内容
如果是使用正则表达式：将会使用BeautifulSoup4中的search()方法来匹配内容，如下
from bs4 import BeautifulSoup
import re
html = 'https://www.baidu.com'
bs = BeautifulSoup(html,"html.parser")
t_list = bs.find_all(re.compile("a"))
for item in t_list:
print(item) # 输出列表
如果传入一个列表：BeautifulSoup4将会与列表中的任一元素匹配到的节点返回，如下
t_list = bs.find_all(["meta","link"]) for item in t_list: print(item)
如果传入一个函数或者方法：将会根据函数或者方法来匹配
from bs4 import BeautifulSoup
html = 'https://www.baidu.com'
bs = BeautifulSoup(html,"html.parser")
def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
6.2 attrs参数
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data属性，用于指定属性搜索
t_list = bs.find_all(data-foo="value")
6.3 string参数
通过通过string参数可以搜索文档中的字符串内容，与name参数的可选值一样，string参数接受字符串，正则表达式，列表
from bs4 import BeautifulSoup
import re
html = 'https://www.baidu.com'
bs = BeautifulSoup(html, "html.parser")
t_list = bs.find_all(attrs={"data-foo": "value"})
for item in t_list:
print(item)
t_list = bs.find_all(text="hao123")
for item in t_list:
print(item)
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
print(item)
使用find_all()方法的时，常用到正则表达式的形式import re如下所示
soup.find_all(sring = re.compile('pyhton')) # 指定查找内容
# 或者指定使用正则表达式要搜索的内容
sring = re.compile('pyhton') # 字符为python
soup.find_all(string) # 调用方法模板
6.4 常用的fiid()方法如下
7. 总结参考
此文列举了BeautifulSoup库在爬虫中的基本使用，不正确之处望指教，参考