python3爬虫（三） BeautifulSoup模块的安装和介绍

来源：互联网发布：web原型设计工具知乎编辑：程序博客网时间：2024/05/22 03:05

个人博客：xiaogeng.top

前面我们介绍了requests库，简单入门了re正则表达式的基本用法，这次要介绍的是Beautiful Soup库，这是一个用于解析html或者xml文档的库，是解析、遍历、维护标签树的功能库。

尽管re正则已经可以处理和提取绝大多数的文档，但是配合Beautiful Soup库可以给我们带来极大的方便。

一、Beautiful Soup库的安装

Beautiful Soup库的安装最简单是用pip安装

在cmd下输入以下命令即可进行安装。

pip install beautifulsoup4

如果遇到问题可以下载安装包手动安装。网址：
https://www.crummy.com/software/BeautifulSoup/

具体安装过程不再繁述。如有问题可百度安装教程。

安装完成后我们来检测一下：

输入以下命令不出错即安装成功。

from bs4 import BeautifulSoup

二、Beautiful Soup库的使用

1、Beautiful Soup库的引用：

Beautiful Soup库也叫beautifulsoup4或者bs4。约定引用方式如下：

from bs4 import BeautifulSoupimport bs4

可看出主要用的是BeautifulSoup类。

2、BeautifulSoup解析器

BeautifulSoup可以解析多种格式的文档.
可以被用作不同的解析器

如：

soup=BeautifulSoup('<html>data</html>','html.parser')

其中html.parser就是基于bs4的html解析。

解析器使用方法使用前提 bs4的html解析器 html.parser 安装bs4库 lxml的html解析器 lxml pip install lxml lxml的xml解析器 xml pip install xml html5lib的解析器 html5lib pip install html5lib

3、BeautifulSoup类的基本元素

基本元素说明 Tag 标签，最基本的信息组织方式 Name 标签的名字,< p >…< \p >的名字是’p’,格式：< tag >.name Attributes 标签的属性，字典形式组织，格式< tag >.attrs NavigableString 标签内非属性字符串，<>…<>中字符串，格式< tag >.string Comment 标签内字符串的注释部分，一种特殊的Comment类型

代码演示：

>>> from bs4 import BeautifulSoup>>> import requests>>> demo=requests.get('https://python123.io/ws/demo.html').text>>> print(demo)<html><head><title>This is a python demo page</title></head><body><p class="title"><b>The demo python introduces several python courses.</b></p><p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p></body></html>>>> soup=BeautifulSoup(demo,'html.parser')#获取Tag标签内容>>> soup.title   <title>This is a python demo page</title>>>> soup.a<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a># 获取Tag标签名>>> soup.a.name'a'>>> soup.p.name'p'>>> soup.a.parent.name'p'>>> soup.a.parent.parent.name'body'#获取Tag的attrs(属性），返回字典>>> soup.a.attrs{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}>>> soup.a.attrs['class']['py1']#获取Tag的NavigableString（无属性字符串）>>> soup.a.string'Basic Python'#获取Tag内的注释部分          >>> newsoup=BeautifulSoup('<b><!-this is a comment--></b><p>this is content</p>','html.parser')>>> newsoup.b.string'this is a comment'#comment和NavigableString的类型不同！>>> type(newsoup.b.string)<class 'bs4.element.Comment'>>>> type(newsoup.p.string)<class 'bs4.element.NavigableString'>

4、BeautifulSoup的内容遍历方法

对于文档的标签遍历可分为下行遍历、上行遍历和平行遍历。

先来了解一下怎么找到一个标签的子标签和父标签和兄弟标签

下行遍历

属性说明 .contents 子节点的列表，将< tag >所有儿子节点存入列表 .children 子节点的迭代类型，与.contents类似，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，用于遍历循环

代码举例：

>>> from bs4 import BeautifulSoup>>> import requests>>> demo=requests.get('https://python123.io/ws/demo.html')>>> demo<Response [200]>>>> demo=requests.get('https://python123.io/ws/demo.html').text>>> print(demo)<html><head><title>This is a python demo page</title></head><body><p class="title"><b>The demo python introduces several python courses.</b></p><p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p></body></html>#contents返回子节点的列表>>> print(soup.body.contents)['\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, '\n', <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, '\n']>>> len(soup.body.contents)5>>> print(soup.body.contents[1])<p class="title"><b>The demo python introduces several python courses.</b></p>

一般我们标签树的下行遍历是：

for child in soup.body.children:
print(child)

for child in soup..body.descendants:
print(child)

上行遍历

属性说明 .parent 节点的父亲标签 .parents 节点先辈标签的迭代类型，用于循环遍历先辈标签

#父亲标签>>> soup.title.parent<head><title>This is a python demo page</title></head>#遍历先辈标签>>> for parent in soup.a.parents:    if parent is None:        print(parent)    else:        print(parent.name)pbodyhtml[document]

平行遍历

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文本顺序的前续所有平行节点标签

迭代一般语法：

for sibling in soup.a.next_sibling:    print（sibling)for sibling in soup.a.previous_sibling:    print(sibling)

具体用法同上基本类似。

5、bs库的prettify()方法
能否让html内容更加友好的显示。这里有一个可以处理html显示格式的方法

.prettify()为html文本<>及其内容增加’\n’
.prettify()可用于标签，方法：< tag >.prettify()

我们来看一下具体效果

>>> soup<html><head><title>This is a python demo page</title></head><body><p class="title"><b>The demo python introduces several python courses.</b></p><p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p></body></html># >>> soup.prettify()'<html>\n <head>\n  <title>\n   This is a python demo page\n  </title>\n </head>\n <body>\n  <p class="title">\n   <b>\n    The demo python introduces several python courses.\n   </b>\n  </p>\n  <p class="course">\n   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\n   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">\n    Basic Python\n   </a>\n   and\n   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">\n    Advanced Python\n   </a>\n   .\n  </p>\n </body>\n</html>'>>> print(soup.prettify())<html> <head>  <title>   This is a python demo page  </title> </head> <body>  <p class="title">   <b>    The demo python introduces several python courses.   </b>  </p>  <p class="course">   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">    Basic Python   </a>   and   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">    Advanced Python   </a>   .  </p> </body></html>

怎么样是不是好看多了。

三、基于bs4库的html内容查找方法

这里主要介绍find_all方法，该方法返回一个列表类型，存储查找的结果。

具体格式如下：

<>.find_all ( name, attrs, recursive, string, **kwargs)

name：对标签名称的检索字符串
attrs：对标签属性值的检索字符串，可标注属性检索。
recursive：是否对子孙全部检索，默认为True
string：< >…< /> 中字符串区域的检索字符串
**kwargs ：控制参数

先上代码就很清楚明了了

#1、name 对a标签名称的检索字符串。返回列表>>> soup.find_all('a')[<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>, <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>]# 同时检索a,b标签>>> soup.find_all(['a','b'])[<b>The demo python introduces several python courses.</b>, <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>, <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>]#2、标注了属性course>>> soup.find_all('p','course')[<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>]#3、调整recursive为False>>> soup.find_all('a',recursive=False)[]#4、设置string，寻找内容为string的字符串，返回列表>>> soup.find_all(string='Advanced Python')['Advanced Python']>>> import re>>> soup.find_all(string=re.compile('python'))['This is a python demo page', 'The demo python introduces several python courses.']

这里有一个简便一点的方法
1. < tag >(…)等价于< tag >.find_all(…）
2. soup()等价于soup.find_all(…)

最后总结一下除了find_all之外还有其他的扩展方法：

方法说明 < >.find() 搜索只返回一个结果，同find_all()参数 < >.find_parents() 在先辈节点中搜索，搜索返回一个列表，同find_all()参数 < >.find_parent() 在先辈节点中搜索，搜索只返回一个结果，同find()参数 < >.find_next_siblings() 在后续节点中搜索，搜索返回一个列表，同find_all()参数 < >.find_next_sibling() 在后续节点中搜索，搜索返回一个结果，同find()参数 < >.find_precvious_siblings() 在前序节点中搜索，搜索返回一个列表，同find_all()参数 < >.find_precvious_sibling() 在前序节点中搜索，搜索返回一个结果，同find()参数

到这里我们就可以对大多数基本网页的爬取了。

阅读全文

0 0