python爬⾍BeautifulSoup4库
和 lxml ⼀样，Beautiful Soup 也是⼀个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。
lxml 只会局部遍历，⽽Beautiful Soup 是基于HTML DOM（Document Object Model）的，会载⼊整个⽂档，解析整个DOM树，因此时间和内存开销都会⼤很多，所以性能要低于lxml。
BeautifulSoup ⽤来解析 HTML ⽐较简单，API⾮常⼈性化，⽀持CSS选择器、Python标准库中的HTML解析器，也⽀持 lxml 的 XML解析器。
Beautiful Soup 3 ⽬前已经停⽌开发，推荐现在的项⽬使⽤Beautiful Soup 4。
安装和⽂档：
1. 安装：pip install bs4。
2. 中⽂⽂档：
3. Pycharm教程：
⼏⼤解析⼯具对⽐：
解析⼯具解析速度使⽤难度
BeautifulSoup最慢最简单
lxml快简单
正则最快最难
简单使⽤：
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="example/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="example/lacie" class="sister" id="link2">Lacie</a> and
<a href="example/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
#创建 Beautiful Soup 对象
# 使⽤lxml来进⾏解析
soup = BeautifulSoup(html,"lxml")
print(soup.prettify())
python中文文档
四个常⽤的对象：
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:
1. Tag
2. NavigatableString
3. BeautifulSoup
4. Comment
1. Tag：
Tag 通俗点讲就是 HTML 中的⼀个个标签。⽰例代码如下：
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="example/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="example/lacie" class="sister" id="link2">Lacie</a> and
<a href="example/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
#创建 Beautiful Soup 对象
soup = BeautifulSoup(html,'lxml')
print soup.title
# <title>The Dormouse's story</title>
print soup.head
# <head><title>The Dormouse's story</title></head>
print soup.a
# <a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>
print soup.p
# <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
print type(soup.p)
# <class 'bs4.element.Tag'>
我们可以利⽤ soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是
注意，它查的是在所有内容中的第⼀个符合要求的标签。如果要查询所有的标签，后⾯会进⾏介绍。
对于Tag，它有两个重要的属性，分别是name和attrs。⽰例代码如下：
print soup.name
# [document] #soup 对象本⾝⽐较特殊，它的 name 即为 [document]
print soup.head.name
# head #对于其他内部标签，输出的值便为标签本⾝的名称
print soup.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。
print soup.p['class'] # ('class')
# ['title'] #还可以利⽤get⽅法，传⼊属性的名称，⼆者是等价的
soup.p['class'] = "newClass"
print soup.p # 可以对这些属性和内容等等进⾏修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
2. NavigableString：
如果拿到标签后，还想获取标签中的内容。那么可以通过tag.string获取标签中的⽂字。⽰例代码如下：
print soup.p.string
# The Dormouse's story
print type(soup.p.string)
# <class 'bs4.element.NavigableString'>thon
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，它⽀持遍历⽂档树和搜索⽂档树中描述的⼤部分的⽅法.
因为 BeautifulSoup 对象并不是真正的HTML或XML的tag，所以它没有name和attribute属性.但有时查看它的 .name 属性是很⽅便的，所以BeautifulSoup 对象包含了⼀个值为 “[document]” 的特殊属性 .name
soup.name
# '[document]'
4. Comment：
Tag , NavigableString , BeautifulSoup ⼏乎覆盖了html和xml中的所有内容，但是还有⼀些特殊对象.容易让⼈担⼼的内容是⽂档的注释部分: markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
# <class 'bs4.element.Comment'>
Comment 对象是⼀个特殊类型的 NavigableString 对象:
comment
# 'Hey, buddy. Want to buy a used parser'
遍历⽂档树：
1. contents和children：
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="example/elsie" class="sister" id="link1">Elsie</a>,
<a href="example/lacie" class="sister" id="link2">Lacie</a> and
<a href="example/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'lxml')
head_tag = soup.head
# 返回所有⼦节点的列表
print(ts)
# 返回所有⼦节点的迭代器
for child in head_tag.children:
print(child)
2. strings 和 stripped_strings
如果tag中包含多个字符串 [2] ，可以使⽤ .strings 来循环获取：
for string in soup.strings:
print(repr(string))
# u"The Dormouse's story"
# u'\n\n'
# u"The Dormouse's story"
# u'\n\n'
# u'Once upon a time there were three little sisters; and their names were\n'
# u'Elsie'
# u',\n'
# u'Lacie'
# u' and\n'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
# u'...'
# u'\n'
输出的字符串中可能包含了很多空格或空⾏，使⽤ .stripped_strings 可以去除多余空⽩内容：
for string in soup.stripped_strings:
print(repr(string))
# u"The Dormouse's story"
# u"The Dormouse's story"
# u'Once upon a time there were three little sisters; and their names were'
# u'Elsie'
# u','
# u'Lacie'
# u'and'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'...'
搜索⽂档树：
1. find和find_all⽅法：
搜索⽂档树，⼀般⽤得⽐较多的就是两个⽅法，⼀个是find，⼀个是find_all。find⽅法是到第⼀个满⾜条件的标签后就⽴即返回，只返回⼀个元素。find_all⽅法是把所有满⾜条件的标签都选到，然后返回回去。使⽤这两个⽅法，最常⽤的⽤法是出⼊name以及attr参数出符合要求的标签。
soup.find_all("a",attrs={"id":"link2"})
或者是直接传⼊属性的的名字作为关键字参数：
soup.find_all("a",id='link2')
2. select⽅法：
使⽤以上⽅法可以⽅便的出元素。但有时候使⽤css选择器的⽅式可以更加的⽅便。使⽤css选择器的语法，应该使⽤select⽅法。以下列出⼏种常⽤的css选择器⽅法：
（1）通过标签名查：
print(soup.select('a'))
（2）通过类名查：
通过类名，则应该在类的前⾯加⼀个.。⽐如要查class=sister的标签。⽰例代码如下：
print(soup.select('.sister'))
（3）通过id查：
通过id查，应该在id的名字前⾯加⼀个＃号。⽰例代码如下：
print(soup.select("#link1"))
（4）组合查：
组合查即和写 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 p 标签中，id 等于 link1的内容，⼆者需要⽤空格分开：
print(soup.select("p #link1"))
直接⼦标签查，则使⽤ > 分隔：
print(soup.select("head > title"))
（5）通过属性查：
查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。⽰例代码如下：
print(soup.select('a[href="example/elsie"]'))
（6）获取内容
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')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
_text()

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。