爬蟲-使用BeautifulSoup4（bs4）解析html數據

時間  2021-01-24
標籤 css html python spa code htm 對象 blog 遞歸 欄目 網絡爬蟲 简体版
原文   原文鏈接

Beautiful Soup 是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。css

1、安裝

pip install beautifulsoup4

2、使用

  1. 導入模塊

    from bs4 import BeautifulSoup

  2. 建立BeautifulSoup對象

    In [1]: from bs4 import BeautifulSoup

In [2]: text = '''
   ...: <div>
   ...:     <ul>
   ...:         <li class="item-0" id="first"><a href="link1.html">first item</a></li>
   ...:         <li class="item-1"><a href="link2.html">second item</a></li>
   ...:         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
   ...:         <li class="item-1"><a href="link4.html">fourth item</a></li>
   ...:         <li class="item-0"><a href="link5.html">fifth item</a></li>
   ...:     </ul>
   ...: </div>
   ...: '''

In [3]: bs = BeautifulSoup(text)#建立BeautifulSoup對象，能夠直接傳入字符串
    
In [4]: bs1 = BeautifulSoup(open('./test.html'))#也能夠傳入文件對象
    
In [5]: bs
Out[5]: 
<html><body><div>
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>

    建立Beautiful Soup對象時，既能夠傳入字符串，也能夠傳入文件對象。它將複雜HTML文檔轉換成一個複雜的樹形結構，而且會自動修正文檔，像上述例子中補齊了html和body節點，每一個節點都是Python對象html

  3. 獲取Tag對象

    In [6]: bs.ul #獲取ul標籤內容
Out[6]: 
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>

In [7]: type(bs.ul)
Out[7]: bs4.element.Tag

In [8]: bs.li #獲取li標籤內容，注意返回的是第一個符合要求的標籤
Out[8]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [12]: bs.ul.li.a #可疊加查找標籤
Out[12]: <a href="link1.html">first item</a>

    經過Beautiful Soup對象後面接上‘.標籤名’來獲取須要查找的標籤，可疊加python

  4. Tag對象經常使用屬性

    1. name-----顯示標籤名

      In [13]: bs.name #大部分時候，能夠把BeautifulSoup看成Tag對象，是一個特殊的 Tag
Out[13]: '[document]'

In [14]: bs.li.name
Out[14]: 'li

      BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,能夠把它看成 Tag 對象spa

    2. attrs----以字典的方式顯示該標籤全部屬性

      In [15]: bs.attrs
Out[15]: {}

In [16]: bs.li.attrs #以字典的形式顯示全部屬性
Out[16]: {'class': ['item-0'], 'id': 'first'}

In [17]: bs.li.attrs['id'] #獲取具體的某個屬性方法1
Out[17]: 'first'

In [18]: bs.li['id'] #獲取具體屬性方法2，'.attrs'可省略
Out[18]: 'first'

In [19]: bs.li.get('id')#獲取具體 屬性方法3，利用get方法
Out[19]: 'first'

       

    3. string----獲取標籤裏面的內容

      In [20]: bs.li.string #li標籤裏面只有惟一的a標籤了，那麼 .string 會返回最裏面a標籤的內容
Out[20]: 'first item'

In [21]: bs.li.a.string #返回a標籤的內容
Out[21]: 'first item'

      注意：若是標籤內容是一個註釋，則註釋符號會被去掉，好比「<!-- 這是一個註釋 -->」，則返回"這是一個註釋"code

    4. contents----將直接子節點以列表的形式輸出，同時也包含換行符'\n'

      In [22]: bs.ul.contents
Out[22]: 
['\n',
 <li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 '\n',
 <li class="item-1"><a href="link2.html">second item</a></li>,
 '\n',
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 '\n',
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 '\n',
 <li class="item-0"><a href="link5.html">fifth item</a></li>,
 '\n']

    5. chilldren----將直接子節點以列表生成器的形式輸出，也包括換行符‘\n

      In [28]: bs.ul.children #返回的是列表生成器對象
Out[28]: <list_iterator at 0x7f2d9e90ea30>

In [29]: for child in bs.ul.children:
    ...:     print(child)
    ...: 


<li class="item-0" id="first"><a href="link1.html">first item</a></li>


<li class="item-1"><a href="link2.html">second item</a></li>


<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>


<li class="item-1"><a href="link4.html">fourth item</a></li>


<li class="item-0"><a href="link5.html">fifth item</a></li>

       

    6. descendants----返回的是一個生成器對象，進行迭代取值的時候，會遞歸循環的顯示全部子孫節點

      In [30]: bs.ul.descendants #返回的是一個生成器對象，進行迭代取值的時候，會遞歸循環的顯示全部子孫節點
Out[30]: <generator object Tag.descendants at 0x7f2d9e79fc80>

In [31]: for d in bs.ul.descendants:
    ...:     print(d)
    ...: 


<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<a href="link1.html">first item</a>
first item


<li class="item-1"><a href="link2.html">second item</a></li>
<a href="link2.html">second item</a>
second item


<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<a href="link3.html"><span class="bold">third item</span></a>
<span class="bold">third item</span>
third item


<li class="item-1"><a href="link4.html">fourth item</a></li>
<a href="link4.html">fourth item</a>
fourth item


<li class="item-0"><a href="link5.html">fifth item</a></li>
<a href="link5.html">fifth item</a>
fifth item

  5. Tag對象經常使用方法

    1. find（self, name=None, attrs={}, recursive=True, text=None,**kwargs）----------只返回第一個匹配的對象

      1. name參數----過濾標籤名，能夠傳入字符串、正則以及列表3種形式

        In [32]: bs.find('li') #查找第一個匹配的li標籤
Out[32]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [33]: bs.find(['li','a']) #查找第一個匹配的li標籤或者a標籤
Out[33]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [34]: import re

In [35]: bs.find(re.compile(r'^l')) #查找第一個以l開頭的標籤，li標籤匹配上
Out[35]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [36]: bs.find(re.compile(r'l$')) #查找第一個以l結尾的標籤，html標籤符合
Out[36]: 
<html><body><div>
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>

      2. attrs參數----過濾屬性，dict類型

        In [37]: bs.find(attrs={'class':'item-1'}) #查找class屬性爲item-1的第一個標籤
Out[37]: <li class="item-1"><a href="link2.html">second item</a></li>

      3. recursive參數----若是爲True，表示是否遞歸地從子孫節點中去查找匹配對象。不然只從直接子節點中進行查找

        In [38]: bs.find('li',recursive=True) #遞歸查找，可以匹配到li對象
Out[38]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [39]: bs.find('li',recursive=False) #從直接子節點（即html）中沒法找到li標籤

In [40]: bs.ul.find('li',recursive=False) #ul的直接子節點爲li標籤，因此可以匹配到
Out[40]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

      4. text參數----能夠搜索文檔中匹配的內容，和name參數同樣，有字符串、正則、列表這3種形式

        In [41]: bs.find(text='first item') #查找字符串，須要傳入完整內容，不然沒法匹配
Out[41]: 'first item'

In [42]: bs.find(text=re.compile(r'item'))#查找第一個包含item的內容
Out[42]: 'first item'

In [43]: bs.find(text=re.compile(r'ir'))#查找第一個包含ir的內容
Out[43]: 'first item'

In [44]: bs.find(text=['second item','third item']) #查找內容爲second item或third item的第一個內容
Out[44]: 'second item'

      5. 其它關鍵字參數----關鍵字爲屬性名，可是注意不能傳入和python關鍵字重名的class屬性

        In [45]: bs.find(id='first') #id屬性做爲關鍵字參數進行查找
Out[45]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [43]: bs.find(href='link4.html') #href屬性做爲關鍵字參數進行查找
Out[43]: <a href="link4.html">fourth item</a>

In [44]: bs.find(class='item-inactive') #和python關鍵字class重名的class屬性則會報錯
  File "<ipython-input-42-a9ab4a3f6cee>", line 1
    bs.find(class='item-inactive')
            ^
SyntaxError: invalid syntax

    2. find_all（self, name=None, attrs={}, recursive=True, text=None,**kwargs）----以列表的形式返回全部可以匹配到的對象，全部參數用法同find（）方法

      In [45]: bs.find_all('li') #查找全部的li標籤
Out[45]: 
[<li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 <li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 <li class="item-0"><a href="link5.html">fifth item</a></li>]

In [46]: bs.find_all('li',attrs={"class":"item-1"}) #查找全部的li標籤，而且class屬性爲item-1
Out[46]: 
[<li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>]

    3. get（）方法----獲取對象的特定屬性

      In [47]: bs.li.get('class') #class屬性由於能夠有多個，因此返回的是列表形式
Out[47]: ['item-0']

In [48]: bs.find(attrs={"class":"item-0"}).get('id') #以字符串的形式返回id屬性值
Out[48]: 'first'

In [49]: bs.find_all('a')[1].get('href')
Out[49]: 'link2.html'

    4. get_text（）方法----獲取標籤裏面的內容，同string屬性返回的結果同樣

      In [50]: bs.li.get_text() #獲取第一個li最裏面的內容
Out[50]: 'first item'

In [51]: bs.find(attrs={"class":"bold"}).get_text() #獲取class屬性爲bold標籤(即span標籤)裏面的內容
Out[51]: 'third item'

In [52]: bs.find_all('a')[3].get_text() #獲取第4個a標籤裏面的內容
Out[52]: 'fourth item'　

    5. select（）方法----css選擇器，同find_all方法有點相似，返回的是列表

      1. 經過標籤名查找

        In [53]: bs.select('li') #查找全部li標籤
Out[53]: 
[<li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 <li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 <li class="item-0"><a href="link5.html">fifth item</a></li>]

      2. 經過類名查找，類名前加上'.'

        In [54]: bs.select('.bold') #查找class='bold'的標籤
Out[54]: [<span class="bold">third item</span>]

      3. 經過id查找，id前加上'#'

        In [55]: bs.select('#first') #查找id爲first的標籤
Out[55]: [<li class="item-0" id="first"><a href="link1.html">first item</a></li>]

      4. 混合查找

        In [56]: bs.select('.item-0 a') #查找class="item-0"下的a標籤
Out[56]: [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

In [57]: bs.select('#first a') #查找id="first"下面的a標籤
Out[57]: [<a href="link1.html">first item</a>]

In [58]: bs.select('ul span') #查找ul下面的span標籤
Out[58]: [<span class="bold">third item</span>]

In [59]: bs.select('ul>span') #標籤後面帶上">"表示直接子標籤，由於span標籤不是ul的直接子標籤，因此匹配不到
Out[59]: []

In [60]: bs.select('a>span') #span標籤是a標籤的子標籤，因此能匹配到
Out[60]: [<span class="bold">third item</span>]

        直接子標籤查找，則使用 > 分隔htm

      5. 經過屬性查找

        In [61]: bs.select('li[class="item-inactive"]') #查找class屬性爲'item-inactive'的li標籤
Out[61]: [<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>]

In [62]: bs.select('a[href="link2.html"]') #查找href屬性爲'link2.html'的a標籤
Out[62]: [<a href="link2.html">second item</a>]
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