爬虫beautifulsoup,python beautifulsoup4
本文给大家带来一些关于Python的知识,主要梳理爬虫解析器BeautifulSoup4的相关问题。美汤是一个Python库,可以从HTML或者XML文件中提取数据,并且可以通过你喜欢的转换器实现文档导航、文档搜索、文档修改的常用方式。下面就一起来看看吧,希望对你有帮助。
【相关推荐:Python3视频教程】
00-1010
一、BeautifulSoup4库介绍
美汤是一个Python库,可以从HTML或XML文件中提取数据。它可以实现通常的文档导航方式,通过你喜欢的转换器进行查找和修改。漂亮的汤会帮你节省几个小时甚至几天的工作时间。BeautifulSoup4将网页转换成DOM树:
1. 介绍
1. window电脑点击win键+ R,输入:cmd2. 安装beautifulsoup4,输入对应的pip命令:皮普安装美丽的汤4,我已经安装了,它是成功安装时,版本出现。
3. 导包
形式4导入美汤
2. 下载模块
美汤其实解析的时候要看解析器。除了Python标准库中的HTML解析器,它还支持一些第三方解析器(比如lxml):解析器用法优缺点Python标准库BeautifulSoup(html, html.parser) Python内置的标准库,执行速度适中,文档容错能力强。Python 2.7.3和Python3.2.2以前的版本文档容错性差。lxml HTML解析库美人汤(HTML,lxml )速度快,文档容错性强。需要安装C语言库lxml xml解析库BeautifulSoup(html, XML 速度快且唯一支持XML的解析器需要安装C语言库htm5lib解析库Beautiful Soup (html,Html5lib )容错性最好,通过浏览器解析文档,生成HTML格式的文档速度慢,不依赖外部扩展。对于我们来说,最常用的解析器是lxml HTML解析器,其次是HTML5LIB。
1. 读取HTML字符串:
从bs4导入BeautifulSoup
html=
面板
面板标题
h4你好/h4
/p
panel_body
ul class= list id= list-1 name= element
Li element foo/Li
li class=elementBar/li
李杰/李
/ul
ul class= list list-small id= list-2
李是个傻瓜
t;/li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')2. 读取HTML文件:
from bs4 import BeautifulSoup3. 基本方法soup = BeautifulSoup(open('index.html'),'lxml')
from bs4 import BeautifulSouphtml = '''
<p class="panel">
<p class="panel-heading">
<h4>Hello</h4>
</p>
<p class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')# 缩进格式print(soup.prettify())# 获取title标签的所有内容print(soup.title)# 获取title标签的名称print(soup.title.name)# 获取title标签的文本内容print(soup.title.string)# 获取head标签的所有内容print(soup.head)# 获取第一个p标签中的所有内容print(soup.p)# 获取第一个p标签的id的值print(soup.p["id"])# 获取第一个a标签中的所有内容print(soup.a)# 获取所有的a标签中的所有内容print(soup.find_all("a"))# 获取id="u1"print(soup.find(id="u1"))# 获取所有的a标签,并遍历打印a标签中的href的值for item in soup.find_all("a"):
print(item.get("href"))# 获取所有的a标签,并遍历打印a标签的文本值for item in soup.find_all("a"):
print(item.get_text())
2. 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:
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','lxml')输出结果:tag = soup.b
print(tag)
print(type(tag))
<b class="boldest">Extremely bold</b>Tag有很多方法和属性,在 遍历文档树 和 搜索文档树 中有详细解释.现在介绍一下tag中最重要的属性:<class 'bs4.element.Tag'>
name
和attributes
:name属性:
print(tag.name)Attributes属性:# 输出结果:b
# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = "b1"
print(tag)
# 输出结果:<b1 class="boldest">Extremely bold</b1>
# 取clas属性tag 的属性可以被添加、修改和删除:print(tag['class'])
# 直接”点”取属性, 比如: .attrs :
print(tag.attrs)
# 添加 id 属性(2)NavigableString:用tag['id'] = 1
# 修改 class 属性
tag['class'] = 'tl1'
# 删除 class 属性
del tag['class']
.string
获取标签内部的文字:
print(soup.b.string)print(type(soup.b.string))(3)BeautifulSoup:表示的是一个文档的内容,可以获取它的类型,名称,以及属性:
print(type(soup.name))(4)Comment:是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。# <type 'unicode'>
print(soup.name)
# [document]
print(soup.attrs)
# 文档本身的属性为空
print(soup.b)print(soup.b.string)
print(type(soup.b.string))
3. 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
- 匹配字符串:查找与字符串完整匹配的内容,用于查找文档中所有的
<a>
标签a_list = soup.find_all("a")print(a_list)
- 匹配正则表达式: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
# 返回所有表示<body>和<b>标签for tag in soup.find_all(re.compile("^b")):
print(tag.name)
- 匹配列表: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
# 返回所有所有<p>标签和<a>标签:soup.find_all(["p", "a"])
soup.find_all(id='link2')(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
# 匹配字符串soup.find_all(text="a")
# 匹配正则
soup.find_all(text=re.compile("^b"))
# 匹配列表
soup.find_all(text=["p", "a"])
4. css选择器
我们在使用BeautifulSoup解析库时,经常会结合CSS选择器来提取数据。注意:以下讲解CSS选择器只选择标签,至于获取属性值和文本内容我们后面再讲。
1. 根据标签名查找:比如写一个 li
就会选择所有li 标签
, 不过我们一般不用,因为我们都是精确到标签再提取数据的
from bs4 import BeautifulSoup输出结果:html = '''
<p class="panel">
<p class="panel-heading">
<h4>Hello</h4>
</p>
<p class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')# 1. 根据标签名查找:查找li标签print(soup.select("li"))
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]2. 根据类名class查找。
.1ine
, 即一个点加line,这个表达式选的是class= "line "
的所有标签,".”
代表class
print(soup.select(".panel_body"))输出结果:
</ul>3. 根据id查找。#box,即一个#和box表示选取id-”box "的所有标签,“#”代表id<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>]
print(soup.select("#list-1"))输出结果:
[<ul class="list" id="list-1" name="element">4. 根据属性的名字查找。class属性和id属性较为特殊,故单独拿出来定义一个<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
". "
和“”
来表示他们。比如:input[ name=“username”]这个表达式查找name= "username "的标签,此处注意和xpath语法的区别
print(soup.select('ul[ name="element"]'))输出结果:
[<ul class="list" id="list-1" name="element">5. 标签+类名或id的形式。<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
# 查找id为list-1的ul标签输出结果:print(soup.select('ul#list-1'))
print("-"*20)
# 查找class为list的ul标签
print(soup.select('ul.list'))
[<ul class="list" id="list-1" name="element">6. 查找直接子元素<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
--------------------
[<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>, <ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>]
# 查找id="list-1"的标签下的直接子标签liprint(soup.select('#list-1>li'))输出结果:
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]7. 查找子孙标签
# .panel_body和li之间是一个空格,这个表达式查找id=”.panel_body”的标签下的子或孙标签liprint(soup.select('.panel_body li'))输出结果:
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]8. 取某个标签的属性
# 1. 先取到<p class="panel_body">p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下的href属性print(p.select('a')[0]["href"])输出结果:
https://www.baidu.com9. 获取文本内容有四种方式:
(a) string
:获得某个标签下的文本内容,强调-一个标签,不含嵌我。 返回-个字符串
# 1. 先取到<p class="panel_body">p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下print(p.select('a')[0].string)输出结果:
百度官网(b)
strings
:获得某个标签下的所有文本内容,可以嵌套。返回-一个生成器,可用list(生成器)转换为列表
print(p.strings)print(list(p.strings))输出结果:
<generator object Tag._all_strings at 0x000001AA58E525F0>['\n', '\n', 'Foo', '\n', 'Bar', '\n', 'Jay', '\n', '\n', '\n', 'Foo', '\n', '百度官网', '\n', 'Bar', '\n', '\n'](c)
stripped.strings
:跟(b)差不多,只不过它会去掉每个字符串头部和尾部的空格和换行符
print(p.stripped_strings)print(list(p.stripped_strings))输出结果:
<generator object PageElement.stripped_strings at 0x000001F9995525F0>['Foo', 'Bar', 'Jay', 'Foo', '百度官网', 'Bar'](d)
get.text()
:获取所有字符串,含嵌套. 不过会把所有字符串拼接为一个,然后返回注意2:
前3个都是属性,不加括号;最后一个是函数,加括号。
print(p.get_text())输出结果:
Foo【相关推荐:Python3视频教程 】以上就是一文搞懂Python爬虫解析器BeautifulSoup4的详细内容,更多请关注盛行IT软件开发工作室其它相关文章!Bar
Jay
Foo
百度官网
Bar
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。