Elite-Wang

Elite-Wang

关注
发信
关注(28)粉丝(399)

爬虫-使用BeautifulSoup4（bs4）解析html数据

Beautiful Soup 是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

一、安装

pip install beautifulsoup4

二、使用

  1. 导入模块

    from bs4 import BeautifulSoup

  2. 创建BeautifulSoup对象

    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)#创建BeautifulSoup对象，可以直接传入字符串
    
In [4]: bs1 = BeautifulSoup(open('./test.html'))#也可以传入文件对象
    
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>

    创建Beautiful Soup对象时，既可以传入字符串，也可以传入文件对象。它将复杂HTML文档转换成一个复杂的树形结构，并且会自动修正文档，像上述例子中补齐了html和body节点，每个节点都是Python对象

  3. 获取Tag对象

    In [6]: bs.ul #获取ul标签内容
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 #获取li标签内容，注意返回的是第一个符合要求的标签
Out[8]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [12]: bs.ul.li.a #可叠加查找标签
Out[12]: <a href="link1.html">first item</a>

    通过Beautiful Soup对象后面接上‘.标签名’来获取需要查找的标签，可叠加

  4. Tag对象常用属性

    1. name-----显示标签名

      In [13]: bs.name #大部分时候，可以把BeautifulSoup当作Tag对象，是一个特殊的 Tag
Out[13]: '[document]'

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

      BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象

    2. attrs----以字典的方式显示该标签所有属性

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

In [16]: bs.li.attrs #以字典的形式显示所有属性
Out[16]: {'class': ['item-0'], 'id': 'first'}

In [17]: bs.li.attrs['id'] #获取具体的某个属性方法1
Out[17]: 'first'

In [18]: bs.li['id'] #获取具体属性方法2，'.attrs'可省略
Out[18]: 'first'

In [19]: bs.li.get('id')#获取具体 属性方法3，利用get方法
Out[19]: 'first'

    3. string----获取标签里面的内容

      In [20]: bs.li.string #li标签里面只有唯一的a标签了，那么 .string 会返回最里面a标签的内容
Out[20]: 'first item'

In [21]: bs.li.a.string #返回a标签的内容
Out[21]: 'first item'

      注意：如果标签内容是一个注释，则注释符号会被去掉，比如“<!-- 这是一个注释 -->”，则返回"这是一个注释"

    4. contents----将直接子节点以列表的形式输出，同时也包含换行符'\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----将直接子节点以列表生成器的形式输出，也包括换行符‘\n

      In [28]: bs.ul.children #返回的是列表生成器对象
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----返回的是一个生成器对象，进行迭代取值的时候，会递归循环的显示所有子孙节点

      In [30]: bs.ul.descendants #返回的是一个生成器对象，进行迭代取值的时候，会递归循环的显示所有子孙节点
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对象常用方法

    1. find（self, name=None, attrs={}, recursive=True, text=None,**kwargs）----------只返回第一个匹配的对象

      1. name参数----过滤标签名，可以传入字符串、正则以及列表3种形式

        In [32]: bs.find('li') #查找第一个匹配的li标签
Out[32]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [33]: bs.find(['li','a']) #查找第一个匹配的li标签或者a标签
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')) #查找第一个以l开头的标签，li标签匹配上
Out[35]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [36]: bs.find(re.compile(r'l$')) #查找第一个以l结尾的标签，html标签符合
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参数----过滤属性，dict类型

        In [37]: bs.find(attrs={'class':'item-1'}) #查找class属性为item-1的第一个标签
Out[37]: <li class="item-1"><a href="link2.html">second item</a></li>

      3. recursive参数----如果为True，表示是否递归地从子孙节点中去查找匹配对象。否则只从直接子节点中进行查找

        In [38]: bs.find('li',recursive=True) #递归查找，能够匹配到li对象
Out[38]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [39]: bs.find('li',recursive=False) #从直接子节点（即html）中无法找到li标签

In [40]: bs.ul.find('li',recursive=False) #ul的直接子节点为li标签，所以能够匹配到
Out[40]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

      4. text参数----可以搜索文档中匹配的内容，和name参数一样，有字符串、正则、列表这3种形式

        In [41]: bs.find(text='first item') #查找字符串，需要传入完整内容，否则无法匹配
Out[41]: 'first item'

In [42]: bs.find(text=re.compile(r'item'))#查找第一个包含item的内容
Out[42]: 'first item'

In [43]: bs.find(text=re.compile(r'ir'))#查找第一个包含ir的内容
Out[43]: 'first item'

In [44]: bs.find(text=['second item','third item']) #查找内容为second item或third item的第一个内容
Out[44]: 'second item'

      5. 其它关键字参数----关键字为属性名，但是注意不能传入和python关键字重名的class属性

        In [45]: bs.find(id='first') #id属性作为关键字参数进行查找
Out[45]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [43]: bs.find(href='link4.html') #href属性作为关键字参数进行查找
Out[43]: <a href="link4.html">fourth item</a>

In [44]: bs.find(class='item-inactive') #和python关键字class重名的class属性则会报错
  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）----以列表的形式返回所有能够匹配到的对象，所有参数用法同find（）方法

      In [45]: bs.find_all('li') #查找所有的li标签
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"}) #查找所有的li标签，并且class属性为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----获取对象的特定属性

      In [47]: bs.li.get('class') #class属性因为可以有多个，所以返回的是列表形式
Out[47]: ['item-0']

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

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

    4. get_text（）方法----获取标签里面的内容，同string属性返回的结果一样

      In [50]: bs.li.get_text() #获取第一个li最里面的内容
Out[50]: 'first item'

In [51]: bs.find(attrs={"class":"bold"}).get_text() #获取class属性为bold标签(即span标签)里面的内容
Out[51]: 'third item'

In [52]: bs.find_all('a')[3].get_text() #获取第4个a标签里面的内容
Out[52]: 'fourth item'　

    5. select（）方法----css选择器，同find_all方法有点类似，返回的是列表

      1. 通过标签名查找

        In [53]: bs.select('li') #查找所有li标签
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. 通过类名查找，类名前加上'.'

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

      3. 通过id查找，id前加上'#'

        In [55]: bs.select('#first') #查找id为first的标签
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标签
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标签
Out[57]: [<a href="link1.html">first item</a>]

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

In [59]: bs.select('ul>span') #标签后面带上">"表示直接子标签，因为span标签不是ul的直接子标签，所以匹配不到
Out[59]: []

In [60]: bs.select('a>span') #span标签是a标签的子标签，所以能匹配到
Out[60]: [<span class="bold">third item</span>]

        直接子标签查找，则使用 > 分隔

      5. 通过属性查找

        In [61]: bs.select('li[class="item-inactive"]') #查找class属性为'item-inactive'的li标签
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属性为'link2.html'的a标签
Out[62]: [<a href="link2.html">second item</a>]
01-24 13:02
Powered by LMLPHP ©2024 Elite-Wang 0.065276