Python爬虫解析器BeautifulSoup4怎么使用
这篇文章主要介绍“Python爬虫解析器BeautifulSoup4怎么使用”的相关知识,小编通过实际案例向大家展示操作过程,操作方法简单快捷,实用性强,希望这篇“Python爬虫解析器BeautifulSoup4怎么使用”文章能帮助大家解决问题。
成都创新互联公司自2013年起,先为德阳等服务建站,德阳等地企业,进行企业商务咨询服务。为德阳企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
一、BeautifulSoup4库介绍
1. 介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间。
BeautifulSoup4将网页转换为一颗DOM树:
2. 下载模块
1. window电脑点击win键+ R
,输入:cmd
2. 安装beautifulsoup4
,输入对应的pip命令:pip install beautifulsoup4
,我已经安装过了出现版本就安装成功了
3. 导包
form bs4 import BeautifulSoup
3. 解析库
BeautifulSoup在解析时实际上依赖解析器,它除了支持Python标准库中的HTML解析器外,还支持一 些第三方解析器(比如lxml):
解析器 | 使用方法 | 优势 | 劣势 |
---|---|---|---|
Python标准库 | BeautifulSoup(html,’html.parser’) | Python的内置标准库、执行速度适中、文档容错能力强 | Python 2.7.3及Python3.2.2之前的版本文档容错能力差 |
lxml HTML解析库 | BeautifulSoup(html,’lxml’) | 速度快、文档容错能力强 | 需要安装C语言库 |
lxml XML解析库 | BeautifulSoup(html,‘xml' | 速度快、唯一支持XML的解析器 | 需要安装C语言库 |
htm5lib解析库 | BeautifulSoup(html,’htm5llib’) | 最好的容错性、以浏览器的方式解析文档、生成HTMLS格式的文档 | 速度慢、不依赖外部扩展 |
对于我们来说,我们最常使用的解析器是lxml HTML
解析器,其次是html5lib.
二、上手操作
1. 基础操作
1. 读取HTML字符串:
from bs4 import BeautifulSoup html = '''
Hello
- Foo
- Bar
- Jay
- Foo 百度官网
- Bar
2. 读取HTML文件:
from bs4 import BeautifulSoup soup = BeautifulSoup(open('index.html'),'lxml')
3. 基本方法
from bs4 import BeautifulSoup html = '''
Hello
- Foo
- Bar
- Jay
- Foo 百度官网
- Bar
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('Extremely bold','lxml') tag = soup.b print(tag) print(type(tag))
输出结果:
Extremely bold
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: name
和attributes
:
name属性:
print(tag.name) # 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:Extremely bold
Attributes属性:
# 取clas属性 print(tag['class']) # 直接”点”取属性, 比如: .attrs : print(tag.attrs)
tag 的属性可以被添加、修改和删除:
# 添加 id 属性 tag['id'] = 1 # 修改 class 属性 tag['class'] = 'tl1' # 删除 class 属性 del tag['class']
(2)NavigableString:用.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)) #print(soup.name) # [document] print(soup.attrs) # 文档本身的属性为空
(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。
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
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
# 返回所有表示和标签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
(2)kwargs参数
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 html = '''
Hello
- Foo
- Bar
- Jay
- Foo 百度官网
- Bar
输出结果:
[
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:
- Foo
- Bar
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
print(soup.select("#list-1"))
输出结果:
[
- Foo
- Bar
- Jay
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". "
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:
[
- Foo
- Bar
- Jay
5. 标签+类名或id的形式。
# 查找id为list-1的ul标签 print(soup.select('ul#list-1')) print("-"*20) # 查找class为list的ul标签 print(soup.select('ul.list'))
输出结果:
[
- Foo
- Bar
- Jay
- Foo
- Bar
- Jay
- Foo
- Bar
6. 查找直接子元素
# 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:
[
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:
[
8. 取某个标签的属性
# 1. 先取到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.com
9. 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 = 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:
['\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:
['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 Bar Jay Foo 百度官网 Bar
关于“Python爬虫解析器BeautifulSoup4怎么使用”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识,可以关注创新互联行业资讯频道,小编每天都会为大家更新不同的知识点。
名称栏目:Python爬虫解析器BeautifulSoup4怎么使用
网页网址:http://azwzsj.com/article/iijdic.html