爬虫之BeautifulSoup， CSS

发布时间：2023-09-06 01:07责任编辑：傅花花关键词：CSS 爬虫

1. Beautiful Soup的简介

2. Beautiful Soup 安装

可以利用 pip 或者 easy_install 来安装，以下两种方法均可

easy_installbeautifulsoup4

pipinstallbeautifulsoup4

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

Python标准库：BeautifulSoup(markup, “html.parser”)

lxml HTML 解析器：BeautifulSoup(markup, “lxml”)

4.创建 Beautiful Soup 对象

首先必须要导入 bs4 库：frombs4importBeautifulSoup

我们创建一个字符串，后面的例子我们便会用它来演示

html="""

<html><head><title>The Dormouse‘s story</title></head>

<body>

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" ></a>,

<a href="http://example.com/lacie" >Lacie</a> and

<a href="http://example.com/tillie" >Tillie</a>;

and they lived at the bottom of a well.

...

创建 beautifulsoup 对象：soup=BeautifulSoup(html)

另外，我们还可以用本地 HTML 文件来创建对象，例如soup=BeautifulSoup(open(‘index.html‘))

上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容，格式化输出：printsoup.prettify()

5.四大对象种类

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

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如：<title>TheDormouse‘sstory</title> ；<ahref="http://example.com/elsie">Elsie</a>

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

对于 Tag，它有两个重要的属性，是name 和 attrs，下面我们分别来感受一下

printsoup.name

printsoup.head.name

#[document]

#head

printsoup.p.attrs

#{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}

在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

printsoup.p[‘class‘]

#[‘title‘]

（2）NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：

printsoup.p.string

#The Dormouse‘s story

（3）BeautifulSoup

BeautifulSoup对象表示的是一个文档的全部内容.大部分时候,可以把它当作Tag对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

printtype(soup.name)

#<type ‘unicode‘>

printsoup.name

# [document]

printsoup.attrs

#{} 空字典

（4）Comment

Comment对象是一个特殊类型的NavigableString对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签：

printsoup.a

printsoup.a.string

printtype(soup.a.string)

结果为：

<ahref="http://example.com/elsie"></a>

Elsie

<class‘bs4.element.Comment‘>

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

7.搜索文档树

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

（2）find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是find_all()方法的返回结果是值包含一个元素的列表,而find()方法直接返回结果

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

find_all()方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

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

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签

soup.find_all(‘b‘)

# [The Dormouse‘s story]

printsoup.find_all(‘a‘)

#[<a href="http://example.com/elsie" ></a>, <a href="http://example.com/lacie" >Lacie</a>, <a href="http://example.com/tillie" >Tillie</a>]

B.传正则表达式

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.下面例子中找出所有以b开头的标签,这表示<body>和标签都应该被找到

importre

fortaginsoup.find_all(re.compile("^b")):

print(tag.name)

# body

# b

C.传列表

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.下面代码找到文档中所有<a>标签和标签

soup.find_all(["a","b"])

# [The Dormouse‘s story,

#<a href="http://example.com/elsie" >Elsie</a>,

#<a href="http://example.com/lacie" >Lacie</a>,

#<a href="http://example.com/tillie" >Tillie</a>]

D.传 True

True可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

fortaginsoup.find_all(True):

print(tag.name)

# html

# head

# title

# body

# p

# b

# p

# a

E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数[4],如果这个方法返回True表示当前元素匹配并且被找到,如果不是则反回False

下面方法校验了当前元素,如果包含class属性却不包含id属性,那么将返回True:

defhas_class_but_no_id(tag):

returntag.has_attr(‘class‘)andnottag.has_attr(‘id‘)

将这个方法作为参数传入find_all()方法,将得到所有标签:

soup.find_all(has_class_but_no_id)

# [The Dormouse‘s story,

#Once upon a time there were...,

#...]

2）keyword 参数

注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为id的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id=‘link2‘)

# [<a href="http://example.com/lacie" >Lacie</a>]

如果传入href参数,Beautiful Soup会搜索每个tag的”href”属性

soup.find_all(href=re.compile("elsie"))

# [<a href="http://example.com/elsie" >Elsie</a>]

使用多个指定名字的参数可以同时过滤tag的多个属性

soup.find_all(href=re.compile("elsie"),id=‘link1‘)

# [<a href="http://example.com/elsie" >three</a>]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all("a",class_="sister")

# [<a href="http://example.com/elsie" >Elsie</a>,

#<a href="http://example.com/lacie" >Lacie</a>,

#<a href="http://example.com/tillie" >Tillie</a>]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

data_soup=BeautifulSoup(‘<div data-foo="value">foo!</div>‘)

data_soup.find_all(data-foo="value")

# SyntaxError: keyword can‘t be an expression

但是可以通过find_all()方法的attrs参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={"data-foo":"value"})

# [<div data-foo="value">foo!</div>]

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, True

soup.find_all(text="Elsie")

# [u‘Elsie‘]

soup.find_all(text=["Tillie","Elsie","Lacie"])

# [u‘Elsie‘, u‘Lacie‘, u‘Tillie‘]

soup.find_all(text=re.compile("Dormouse"))

[u"The Dormouse‘s story",u"The Dormouse‘s story"

4）limit 参数

find_all()方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用limit参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到limit的限制时,就停止搜索返回结果.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all("a",limit=2)

# [<a href="http://example.com/elsie" >Elsie</a>,

#<a href="http://example.com/lacie" >Lacie</a>]

5）recursive 参数

调用tag的find_all()方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数recursive=False.

一段简单的文档:

<html>

<head>

<title>

TheDormouse‘sstory

</title>

</head>

...

是否使用recursive参数的搜索结果:

soup.html.find_all("title")

# [<title>The Dormouse‘s story</title>]

soup.html.find_all("title",recursive=False)

# []

8.CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是soup.select()，返回类型是list

（1）通过标签名查找

printsoup.select(‘title‘)

#[<title>The Dormouse‘s story</title>]

printsoup.select(‘a‘)

#[<a href="http://example.com/elsie" ></a>, <a href="http://example.com/lacie" >Lacie</a>, <a href="http://example.com/tillie" >Tillie</a>]

printsoup.select(‘b‘)

#[The Dormouse‘s story]

（2）通过类名查找

printsoup.select(‘.sister‘)

#[<a href="http://example.com/elsie" ></a>, <a href="http://example.com/lacie" >Lacie</a>, <a href="http://example.com/tillie" >Tillie</a>]

（3）通过 id 名查找

printsoup.select(‘#link1‘)

#[<a href="http://example.com/elsie" ></a>]

（4）组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

printsoup.select(‘p #link1‘)

#[<a href="http://example.com/elsie" ></a>]

直接子标签查找

printsoup.select("head > title")

#[<title>The Dormouse‘s story</title>]

（5）属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

printsoup.select(‘a[]‘)

#[<a href="http://example.com/elsie" ></a>, <a href="http://example.com/lacie" >Lacie</a>, <a href="http://example.com/tillie" >Tillie</a>]

printsoup.select(‘a[href="http://example.com/elsie"]‘)

#[<a href="http://example.com/elsie" ></a>]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

printsoup.select(‘p a[href="http://example.com/elsie"]‘)

#[<a href="http://example.com/elsie" ></a>]

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text()方法来获取它的内容。

soup=BeautifulSoup(html,‘lxml‘)

printtype(soup.select(‘title‘))

printsoup.select(‘title‘)[0].get_text()

fortitleinsoup.select(‘title‘):

printtitle.get_text()

爬虫之BeautifulSoup， CSS

原文地址：http://www.cnblogs.com/li-20151130/p/7455037.html

爬虫之BeautifulSoup， CSS

1. Beautiful Soup的简介

2. Beautiful Soup 安装

4.创建 Beautiful Soup 对象

5.四大对象种类

（2）NavigableString

（3）BeautifulSoup

（4）Comment

7.搜索文档树

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

（2）find( name , attrs , recursive , text , **kwargs )

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

8.CSS选择器

（1）通过标签名查找

（2）通过类名查找

（5）属性查找

知识推荐