BeautifulSoup基本步驟

 

http://blog.csdn.net/kikaylee/article/details/56841789

 

’BeautifulSoup是Python的一個庫，最主要的功能就是從網頁爬取咱們須要的數據。BeautifulSoup將html解析爲對象進行處理，所有頁面轉變爲字典或者數組，相對於正則表達式的方式，能夠大大簡化處理過程。

0x01 安裝

建議安裝BeautifulSoup 4版本 利用pip進行安裝:

pip install beautifulsoup4

• 1

BeautifulSoup默認支持Python的標準HTML解析庫，可是它也支持一些第三方的解析庫：

序號	解析庫	使用方法	優點	劣勢
1	Python標準庫	BeautifulSoup(html,’html.parser’)	Python內置標準庫；執行速度快	容錯能力較差
2	lxml HTML解析庫	BeautifulSoup(html,’lxml’)	速度快；容錯能力強	須要安裝，須要C語言庫
3	lxml XML解析庫	BeautifulSoup(html,[‘lxml’,’xml’])	速度快；容錯能力強；支持XML格式	須要C語言庫
4	htm5lib解析庫	BeautifulSoup(html,’htm5llib’)	以瀏覽器方式解析，最好的容錯性	速度慢

0x02 建立對象

導入庫：

from bs4 import BeautifulSoup

• 1

建立實例：

url='http://www.baidu.com' resp=urllib2.urlopen(url) html=resp.read()

• 1
• 2
• 3

建立對象：

 bs=BeautifulSoup(html)

• 1
• 2

格式化輸出內容：

print bs.prettify()

• 1

0x03 對象種類

BeautifulSoup將複雜的html文檔轉換爲樹形結構，每個節點都是一個對象，這些對象能夠概括爲幾種：

（1）Tag

Tag至關於html種的一個標籤：

#提取Tag print bs.title print type(bs.title)

• 1
• 2
• 3

結果：

<title>百度一下，你就知道</title> <class 'bs4.element.Tag'>

• 1
• 2

對於Tag，有幾個重要的屬性：

name:每一個Tag對象的name就是標籤本省的名稱； 
attrs:每一個Tag對象的attrs就是一個字典，包含了標籤的所有屬性。

print bs.a.name print bs.a.attrs

• 1
• 2

輸出：

a
{u'href': u'/', u'id': u'result_logo', u'onmousedown': u"return c({'fm':'tab','tab':'logo'})"}

• 1
• 2

（2）NavigableString

Comment是一種特殊的NavigableString，對應的是註釋的內容，可是其輸出不包含註釋符。看這樣的一個例子：

#coding:utf-8 from bs4 import BeautifulSoup html=''' <a class="css" href="http://example.com/test" id="test"><!--test --></a> ''' bs=BeautifulSoup(html,"html.parser") print bs.a print bs.a.string

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

運行結果：

<a class="css" href="http://example.com/test" id="test"><!--def --></a>

• 1

a標籤的內容是註釋，可是使用.string仍然輸出了。這種狀況下，咱們須要作下判斷：

#判斷是不是註釋 if type(bs.a.string)==element.Comment: print bs.a.string

• 1
• 2
• 3

再看下面的例子：

<a class="css1" href="http://example.com/cdd" id="css">abc<!--def -->gh</a>

• 1

內容是註釋和字符串混合，此時能夠用contents獲取所有對象：

for i in bs.a.contents: print i

• 1
• 2

若是須要忽略註釋內容的話，能夠利用get_text()或者.text：

print bs.a.get_text()

• 1

若是想在BeautifulSoup以外使用 NavigableString 對象，須要調用unicode()方法，將該對象轉換成普通的Unicode字符串，不然就算BeautifulSoup已方法已經執行結束，該對象的輸出也會帶有對象的引用地址，這樣會浪費內存。

0x04 搜索文檔樹

重點介紹下find_all()方法：

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

• 1

（1）name參數

name參數能夠查找全部名字爲name的Tag，字符串對象自動忽略掉。

print bs.find_all('a')

• 1

傳列表：

print bs.find_all(['a','b'])

• 1

傳入正則表達式：

print bs.find_all(re.compile('^b'))

• 1

全部以b開頭的標籤對象都會被找到。 
傳遞方法：

def has_class_but_not_id(tag): return tag.has_attr('class') and not tag.has_attr('id') print bs.find_all(has_class_but_not_id)

• 1
• 2
• 3

（2）kwyowrds關鍵字

print bs.find_all(id='css') print bs.find_all(id=re.compile('^a'))

• 1
• 2

還能夠混合使用：

print bs.find_all(id='css',href=re.compile('^ex'))

• 1

可使用class做爲過濾，可是class是Python中的關鍵字，可使用class_代替，或者採用字典的形式傳輸參數：

print bs.find_all(class_='css') print bs.find_all(attrs={'class':'css'})

• 1
• 2

（3）text參數

用來搜索文檔中的字符串內容，text參數也接收字符串、正則表達式、列表、True等參數。

print bs.find_all(text=re.compile('^abc'))

• 1

（4）limit參數

限制返回對象的個數，與數據庫SQL查詢相似。

（5）recursive參數

調用tag的find_all()方法時，BeautifulSoup會檢索當前tag的全部子孫節點，若是隻想搜索tag的直接子節點，可使用參數 recursive=False。

0x05 CSS選擇器

能夠採用CSS的語法格式來篩選元素：

#標籤選擇器 print bs.select('a') #類名選擇器 print bs.select('.css') #id選擇器 print bs.select('#css') #屬性選擇器 print bs.select('a[class="css"]') #遍歷 for tag in bs.select('a'): print tag.get_text()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

對於喜歡用CSS語法的人來講，這種方式很是方便。若是你僅僅須要CSS選擇器的功能，那麼直接使用 lxml 也能夠，並且速度更快，支持更多的CSS選擇器語法，但Beautiful Soup整合了CSS選擇器的語法和自身方便使用API。