python爬虫学习7_Beautiful Soup使用
简介
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。
-
Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树
-
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
基础使用：
# -*- coding: UTF-8 -*-
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="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/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')
#打开本地 HTML 文件的方式来创建对象
#soup = BeautifulSoup(open('index.html'))
#格式化输出 soup 对象的内容
print (soup.prettify())
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
Tag 通俗点讲就是 HTML 中的一个个标签，它有两个重要的属性，是 name 和 attrs。
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'] # soup.p.get('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>
del soup.p['class'] # 还可以对这个属性进行删除
print soup.p
# <p name="dromouse"><b>The Dormouse's story</b></p>
对tag的操作只能是获取tag的相关信息，而获取不到它所包含的内容。
NavigableString
获取标签中的内容。
print soup.p.string # The Dormouse's story print type(soup.p.string) # In [13]: <class 'bs4.element.NavigableString'>
BeautifulSoup
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，是一个特殊的 Tag，我们可以分别获取它的类型
print type(soup.name)
# <type 'unicode'>
print soup.name
# [document]
print soup.attrs # 文档本身的属性为空
# {}
Comment
是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
文档树的操作
之前的标签获取，是在匹配到对应的标签就进行相应的返回，
输出子节点（.contents ，.children）
# 1、将tag的子节点以列表的方式输出 print soup.head.contents #[<title>The Dormouse's story</title>] # 2、用列表索引来获取它的某一个元素 print soup.head.contents[0] #<title>The Dormouse's story</title> # 3、它是一个 list 生成器对象，通过它来遍历所有子孩子 print soup.head.children #<listiterator object at 0x7f71457f5710> for child in soup.body.children: print child
所有子孙节点（.descendants）
.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环
for child in soup.descendants: print child
搜索文档树
find_all
find_all(name, attrs, recursive, text, **kwargs)
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。
name：可以查找所有名字为 name 的tag。 attrs：定义一个字典参数来搜索包含特殊属性的tag。 recursive：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。 limit： 参数限制返回结果的数量. kwargs：Beautiful Soup 会搜索每个 class 属性为 title 的 tag 。kwargs 接收字符串，正则表达式
# 1、超找为‘b’的tag
soup.find_all('b')
# [<b>The Dormouse's story</b>]
# 2、通过正则查找
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# 3、通过列表参数超找a标签和b标签
soup.find_all(["a", "b"])
# 4、通过text查找
soup.find_all(text="Elsie")
# [u'Elsie']
CSS选择器查找
写 CSS 时：
标签名：不加任何修饰
类名：前加.
id名：前加#
通过这个性质bs4有对应的查找方法soup.select()。
soup.select()
通过标签名查找
print soup.select('title')
#[<title>The Dormouse's story</title>]
通过类名查找
print soup.select('.sister')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
通过 id 名查找
print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
组合查找
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。需要用空格分开
print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
属性查找
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。
print soup.select('a[class="sister"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
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'):
print title.get_text()