Python 爬蟲三 beautifulsoup模塊

時間  2019-11-18
標籤 python 爬蟲 beautifulsoup 模塊 欄目 Python 简体版
原文   原文鏈接

beautifulsoup模塊html

 

BeautifulSoup模塊

BeautifulSoup是一個模塊，該模塊用於接收一個HTML或XML字符串，而後將其進行格式化，以後遍能夠使用他提供的方法進行快速查找指定元素，從而使得在HTML或XML中查找指定元素變得簡單。html5

安裝：python

pip install beautifulsoup4

在python自動化模塊對bs已經簡單介紹了。這裏直接看快速使用：app

import requests
from bs4 import BeautifulSoup import os response = requests.get( # get請求 url='https://www.autohome.com.cn/news/' ) response.encoding = response.apparent_encoding # 使用默認的編碼原則 soup = BeautifulSoup(response.text, features='html.parser') # 實例化soup對象的兩種參數方式 # soup = BeautifulSoup(response.text, features='lxml') # print(response.text)  target = soup.find(id='auto-channel-lazyload-article') # 取指定id的對象 # obj = target.find('li') # 找到第一個li li_list = target.find_all('li') # 找到全部的li, 是一個列表，裏面是bs對象 for i in li_list: # 遍歷li的列表內對象 a = i.find('a') if a: # print(a.attrs) # {'href': '//www.autohome.com.cn/news/201807/919525.html#pvareaid=102624'} # print(a.attrs.get('href')) # txt = a.find('h3') # 本質上是對象，可是打印出來是字符串 txt = a.find('h3').txt # 提取內部字符串 print(txt) img_url = a.find('img').attrs.get('src') img_url = img_url.strip('//') # src ==> //www.autohome.com.cn/**********/***.jpg print(img_url) img_type = img_url.split('.')[-1] print(img_type) img_response = requests.get(url='http://' + img_url) # 對於img的路徑再次發送get請求 import uuid with open(os.path.join('file', str(uuid.uuid4()) + '.' + img_type), 'wb') as f: f.write(img_response.content) # 二進制文件寫入文件句柄內

此段代碼，定向的抓去了目的div的內部a標籤的資源，循環發送get請求抓去處圖片保存到了本地：ide

解析器

Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，若是咱們不安裝它，則 Python 會使用 Python默認的解析器，lxml 解析器更增強大，速度更快，推薦安裝。 ui

下面是常看法析器：編碼

推薦使用lxml做爲解析器,由於效率更高. 在Python2.7.3以前的版本和Python3中3.2.2以前的版本,必須安裝lxml或html5lib, 由於那些Python版本的標準庫中內置的HTML解析方法不夠穩定.url

 

 

基本使用

在快速使用中咱們添加以下代碼：
print(soup.title)
print(type(soup.title))
print(soup.head)
print(soup.p)spa

經過這種soup.標籤名 咱們就能夠得到這個標籤的內容
這裏有個問題須要注意，經過這種方式獲取標籤，若是文檔中有多個這樣的標籤，返回的結果是第一個標籤的內容，如上面咱們經過soup.p獲取p標籤，而文檔中有多個p標籤，可是隻返回了第一個p標籤內容code

使用示例：

from bs4 import BeautifulSoup
 
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
    ...
</body>
</html>
"""
 
soup = BeautifulSoup(html_doc, features="lxml")

一、標籤名稱

tag = soup.find('a')
name = tag.name # 獲取
print(name)
tag.name = 'span' # 設置
print(soup)

二、標籤屬性

tag = soup.find('a')
attrs = tag.attrs    # 獲取
print(attrs)
tag.attrs = {'ik':123} # 設置
tag.attrs['id'] = 'iiiii' # 設置
print(soup)

三、字標籤

body = soup.find('body')
v = body.children

四、全部子孫標籤

body = soup.find('body')
v = body.descendants

五、clear、將標籤的全部子標籤所有清空（保留標籤名）

tag = soup.find('body')
tag.clear()
print(soup)

六、decompose、遞歸的刪除全部標籤

body = soup.find('body')
body.decompose()
print(soup)

七、extract、遞歸的刪除全部的標籤，並獲取刪除的標籤對象

body = soup.find('body')
v = body.extract()
print(soup)

八、decode,轉換爲字符串（含當前標籤）；decode_contents（不含當前標籤）

body = soup.find('body')
v = body.decode()
v = body.decode_contents()
print(v)

九、encode,轉換爲字節（含當前標籤）；encode_contents（不含當前標籤）

body = soup.find('body')
v = body.encode()
v = body.encode_contents()
print(v)

十、find,獲取匹配的第一個標籤

tag = soup.find('a')
print(tag)
tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
print(tag)

十一、find_all,獲取匹配的全部標籤

 1 # tags = soup.find_all('a')
 2 # print(tags)
 3  
 4 # tags = soup.find_all('a',limit=1)
 5 # print(tags)
 6  
 7 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
 8 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
 9 # print(tags)
10  
11  
12 # ####### 列表 #######
13 # v = soup.find_all(name=['a','div'])
14 # print(v)
15  
16 # v = soup.find_all(class_=['sister0', 'sister'])
17 # print(v)
18  
19 # v = soup.find_all(text=['Tillie'])
20 # print(v, type(v[0]))
21  
22  
23 # v = soup.find_all(id=['link1','link2'])
24 # print(v)
25  
26 # v = soup.find_all(href=['link1','link2'])
27 # print(v)
28  
29 # ####### 正則 #######
30 import re
31 # rep = re.compile('p')
32 # rep = re.compile('^p')
33 # v = soup.find_all(name=rep)
34 # print(v)
35  
36 # rep = re.compile('sister.*')
37 # v = soup.find_all(class_=rep)
38 # print(v)
39  
40 # rep = re.compile('http://www.oldboy.com/static/.*')
41 # v = soup.find_all(href=rep)
42 # print(v)
43  
44 # ####### 方法篩選 #######
45 # def func(tag):
46 # return tag.has_attr('class') and tag.has_attr('id')
47 # v = soup.find_all(name=func)
48 # print(v)
49  
50  
51 # ## get,獲取標籤屬性
52 # tag = soup.find('a')
53 # v = tag.get('id')
54 # print(v)
View Code

十二、has_attr,檢查標籤是否具備該屬性

tag = soup.find('a')
v = tag.has_attr('id')
print(v)

1三、get_text,獲取標籤內部文本內容

tag = soup.find('a')
v = tag.get_text('id')
print(v)

1四、index,檢查標籤在某標籤中的索引位置

tag = soup.find('body')
v = tag.index(tag.find('div'))
print(v)

tag = soup.find('body')
for i, v in enumerate(tag):
    print(i,v)

1五、is_empty_element,是不是空標籤(是否能夠是空)或者自閉合標籤

# 判斷是不是以下標籤：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

tag = soup.find('br')
v = tag.is_empty_element
print(v)

1六、當前的關聯標籤

soup.next  # 不跳過內容
soup.next_element  # 只找下一個對象，標籤對象
soup.next_elements
soup.next_sibling
soup.next_siblings


tag.previous
tag.previous_element
tag.previous_elements
tag.previous_sibling
tag.previous_siblings


tag.parent
tag.parents

1七、查找某標籤的關聯標籤

tag.find_next(...)  # 參數跟find、 find_all同樣
tag.find_all_next(...)
tag.find_next_sibling(...)
tag.find_next_siblings(...)

tag.find_previous(...)
tag.find_all_previous(...)
tag.find_previous_sibling(...)
tag.find_previous_siblings(...)

tag.find_parent(...)
tag.find_parents(...)

# 參數同find_all

18. select,select_one, CSS選擇器

soup.select("title")
 
soup.select("p nth-of-type(3)")
 
soup.select("body a")
 
soup.select("html head title")
 
tag = soup.select("span,a")
 
soup.select("head > title")
 
soup.select("p > a")
 
soup.select("p > a:nth-of-type(2)")
 
soup.select("p > #link1")
 
soup.select("body > a")
 
soup.select("#link1 ~ .sister")
 
soup.select("#link1 + .sister")
 
soup.select(".sister")
 
soup.select("[class~=sister]")
 
soup.select("#link1")
 
soup.select("a#link2")
 
soup.select('a[href]')
 
soup.select('a[href="http://example.com/elsie"]')
 
soup.select('a[href^="http://example.com/"]')
 
soup.select('a[href$="tillie"]')
 
soup.select('a[href*=".com/el"]')
 
 
from bs4.element import Tag
 
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
 
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags)
 
from bs4.element import Tag
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
 
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags)

1九、標籤的內容

tag = soup.find('span')
print(tag.string)          # 獲取，能夠修改
tag.string = 'new content' # 設置
print(soup)

tag = soup.find('body')
print(tag.string)
tag.string = 'xxx'
print(soup)

tag = soup.find('body')
v = tag.stripped_strings  # 遞歸內部獲取全部標籤的文本
print(v)

20、append在當前標籤內部追加一個標籤

tag = soup.find('body')
tag.append(soup.find('a'))
print(soup)

from bs4.element import Tag
obj = Tag(name='i',attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
tag.append(obj)
print(soup)

2一、insert在當前標籤內部指定位置插入一個標籤

from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
tag.insert(2, obj)
print(soup)

2二、insert_after,insert_before 在當前標籤後面或前面插入

from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('body')
# tag.insert_before(obj)
tag.insert_after(obj)
print(soup)

2三、replace_with 在當前標籤替換爲指定標籤

from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一個新來的'
tag = soup.find('div')
tag.replace_with(obj)
print(soup)

2四、建立標籤之間的關係

tag = soup.find('div')
a = soup.find('a')
tag.setup(previous_sibling=a)
print(tag.previous_sibling)  # 只改關聯關係，不改變位置

2五、wrap，將指定標籤把當前標籤包裹起來

from bs4.element import Tag
obj1 = Tag(name='div', attrs={'id': 'it'})
obj1.string = '我是一個新來的'

tag = soup.find('a')
v = tag.wrap(obj1)
print(soup)

tag = soup.find('a')
v = tag.wrap(soup.find('p'))
print(soup)

2六、unwrap，去掉當前標籤，將保留其包裹的標籤

tag = soup.find('a')
v = tag.unwrap()
print(soup)

總結

推薦使用lxml解析庫，必要時使用html.parser標籤選擇篩選功能弱可是速度快建議使用find()、find_all() 查詢匹配單個結果或者多個結果若是對CSS選擇器熟悉建議使用select()記住經常使用的獲取屬性和文本值的方法

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程