爬虫：Beautiful Soup

来源：互联网发布：与国云数据相似的公司编辑：程序博客网时间：2024/05/21 10:59

创建对象

首先导入 bs4 库：

from bs4 import BeautifulSoup

我们创建一个字符串，后面的例子我们便会用它来演示：

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>"""soup = BeautifulSoup(html) #创建 beautifulsoup 对象

另外，我们还可以用本地 HTML 文件来创建对象，例如：

soup = BeautifulSoup(open('index.html'))#将本地 index.html 文件打开，用它来创建 soup 对象

格式化打印 soup 对象：

print soup.prettify()>>><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 class="sister" href="http://example.com/elsie" id="link1">    <!-- Elsie -->   </a>   ,   <a class="sister" href="http://example.com/lacie" id="link2">    Lacie   </a>   and   <a class="sister" href="http://example.com/tillie" id="link3">    Tillie   </a>   ;and they lived at the bottom of a well.  </p>  <p class="story">   ...  </p> </body></html>

四大对象结构

Beautiful Soup将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

Tag

Tag 就是 html 中的一个个标签，例如：

<title>The Dormouse's story</title><a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

上面的 title、a等 HTML 标签加上其包含的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags：

#下面每一段代码中注释部分即为运行结果print soup.title#<title>The Dormouse's story</title>print soup.head#<head><title>The Dormouse's story</title></head>print soup.a#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print soup.p#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

不过，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，我们在后面进行介绍。
对于 Tag，它有两个重要的属性： name 和 attrs。

name

print soup.nameprint soup.head.name#[document]#head

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs

我们把标签p的所有属性打印输出了出来，得到的类型是一个字典。

print soup.p.attrs#{'class': ['title'], 'name': 'dromouse'}

如果我们想要单独获取某个属性，比如说它的 class 属性：

print soup.p['class']#['title']

还可以利用get方法传入属性的名称，二者是等价的：

print soup.p.get('class')#['title']

我们可以对这些属性和内容进行修改，例如：

soup.p['class']="newClass"print soup.p#<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

还可以删除这个属性，例如：

del soup.p['class']print soup.p#<p name="dromouse"><b>The Dormouse's story</b></p>

不过对于爬虫来说，修改、删除操作不是我们的主要用途。

NavigableString

如果要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：

print soup.p.string#The Dormouse's story

BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容。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。

print type(soup.name)#<type 'unicode'>print soup.name # [document]print soup.attrs #{} 空字典

Comment

Comment 对象是一个特殊类型的 NavigableString 对象，如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。
假设有一个带注释的标签

<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> Elsie <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，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

遍历文档树

直接子节点

.content

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.head.contents #[<title>The Dormouse's story</title>]

由于输出方式为列表，所以我们可以用列表索引来获取它的某一个元素

print soup.head.contents[0]#<title>The Dormouse's story</title>

.children

返回的不是一个 list，是一个 list 对象迭代器，我们可以通过遍历获取所有子节点。

print soup.head.children#<listiterator object at 0x7f71457f5710>for child in  soup.body.children:    print child>>><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 class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>

所有子孙节点

.descendants

.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。
所有的节点都被打印出来了，先生成最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

for child in soup.descendants:    print child

节点内容

.string

如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如：

print soup.head.string#The Dormouse's storyprint soup.title.string#The Dormouse's story

如果tag包含了多个子节点，tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None。

print soup.html.string# None

多个内容

.strings

通过遍历的方式获取多个内容，比如下面的例子：

for string in soup.strings:    print(repr(string))    # u"The Dormouse's story"    # u'\n\n'    # u"The Dormouse's story"    # u'\n\n'    # u'Once upon a time there were three little sisters; and their names were\n'    # u'Elsie'    # u',\n'    # u'Lacie'    # u' and\n'    # u'Tillie'    # u';\nand they lived at the bottom of a well.'    # u'\n\n'    # u'...'    # u'\n'

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容。

for string in soup.stripped_strings:    print(repr(string))    # u"The Dormouse's story"    # u"The Dormouse's story"    # u'Once upon a time there were three little sisters; and their names were'    # u'Elsie'    # u','    # u'Lacie'    # u'and'    # u'Tillie'    # u';\nand they lived at the bottom of a well.'    # u'...'

父节点

.parent

p = soup.pprint p.parent.name#bodycontent = soup.head.title.stringprint content.parent.name#title

全部父节点

.parents

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如：

content = soup.head.title.stringfor parent in  content.parents:    print parent.name>>>titleheadhtml[document]

兄弟节点

.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反。如果节点不存在，则返回 None。

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行。

print soup.p.next_sibling#       实际该处为空白print soup.p.prev_sibling#None   没有前一个兄弟节点，返回 Noneprint soup.p.next_sibling.next_sibling#<p class="story">Once upon a time there were three little sisters; and their names were#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,#<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and#<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;#and they lived at the bottom of a well.</p>#下一个节点的下一个兄弟节点是我们可以看到的节点

全部兄弟节点

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出：

for sibling in soup.a.next_siblings:    print(repr(sibling))    # u',\n'    # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>    # u' and\n'    # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>    # u'; and they lived at the bottom of a well.'    # None

前后节点

.next_element与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次。比如 head 节点为

<head><title>The Dormouse's story</title></head>

那么它的下一个节点便是 title，它是不分层次关系的。

print soup.head.next_element#<title>The Dormouse's story</title>

所有前后节点

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样。

for element in last_a_tag.next_elements:    print(repr(element))# u'Tillie'# u';\nand they lived at the bottom of a well.'# u'\n\n'# <p class="story">...</p># u'...'# u'\n'# None

搜索文档树

find_all( )

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件：

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

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。

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<b>标签：

soup.find_all('b')# [<b>The Dormouse's story</b>]print soup.find_all('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>]

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b开头的标签,这表示<body>和<b>标签都应该被找到：

import refor tag in soup.find_all(re.compile("^b")):    print(tag.name)# body# b

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<b>标签。

soup.find_all(["a", "b"])# [<b>The Dormouse's story</b>,#  <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>]

传True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点：

for tag in soup.find_all(True):    print(tag.name)# html# head# title# body# p# b# p# a# a

传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False。

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True：

def has_class_but_no_id(tag):    return tag.has_attr('class') and not tag.has_attr('id')

将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

soup.find_all(has_class_but_no_id)# [<p class="title"><b>The Dormouse's story</b></p>,#  <p class="story">Once upon a time there were...</p>,#  <p class="story">...</p>]

keyword参数

如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id='link2')# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

soup.find_all(href=re.compile("elsie"))# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

使用多个指定名字的参数可以同时过滤tag的多个属性

soup.find_all(href=re.compile("elsie"), id='link1')# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all("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>]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')data_soup.find_all(data-foo="value")# SyntaxError: keyword can't be an expression

但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={"data-foo": "value"})# [<div data-foo="value">foo!</div>]

text 参数

通过 text 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, text 参数接受字符串、正则表达式、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"]

limit参数

find_all() 方法返回全部的搜索结构,如果文档树很大，那么搜索会很慢。如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量。效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果。
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量：

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>]

recursive参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

find( )

它与 find_all() 方法唯一的区别是， find_all() 方法的返回结果是包含所有符合条件元素的列表，而 find() 方法直接返回结果。

find_parents()、find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点、孙子节点等。
find_parents() 和 find_parent() 用来搜索当前节点的父辈节点，搜索方法与普通tag的搜索方法相同。

find_next_siblings()、find_next_sibling()

这2个方法通过 .next_siblings 属性对当前 tag 的所有后续兄弟 tag 节点进行迭代， find_next_siblings() 方法返回所有符合条件的后面的兄弟节点，find_next_sibling() 只返回符合条件的后面的第一个tag节点。

find_previous_siblings()、find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点。

find_all_next()、find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点。

find_all_previous() 、find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点。

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。

CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，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。

通过标签名查找

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>]

print soup.select('b')#[<b>The Dormouse's story</b>]

通过类名查找

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>]

通过 id 名查找

print soup.select('#link1')#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

组合查找

组合查找和在写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开。

print soup.select('p #link1')#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

直接子标签查找：

print soup.select("head > title")#[<title>The Dormouse's story</title>]

属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

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>]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格。

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 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

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()

其中，get_text() 是返回字符串形式的文本。

requests和BeautifulSoup相结合

import requestsfrom bs4 import BeautifulSoupcontent = requests.get(url)soup = BeautifulSoup(content.content)print(soup.body.text)

0 0