一文入门Beautiful Soup4-1

尤而小屋
1,269 阅读6分钟

一文入门Beautiful Soup4

本文中主要介绍的BeautifulSoup4，从简介、安装、解析器使用、语法介绍、遍历文档树、搜索文档树等进行了介绍，能够快速地入门。

崔庆才-爬虫利器二之BS的用法

BS4-中文

什么是BS4

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式

安装bs4

pip  install beautifulsoup4

解析器

安装解析器

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，其中一个是 lxml .根据操作系统不同，可以选择下列方法来安装lxml：

$ apt-get install Python-lxml
$ easy_install lxml
$ pip install lxml

另一个可供选择的解析器是纯Python实现的 html5lib ，html5lib的解析方式与浏览器相同，可以选择下列方法来安装html5lib：

$ apt-get install Python-html5lib
$ easy_install html5lib
$ pip install html5lib

常用解析器比较

下表列出了主要的解析器，以及它们的优缺点:

解析器 使用方法 优势 劣势
Python标准库 BeautifulSoup(markup, "html.parser") Python的内置标准库执行速度适中文档容错能力强 Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器 BeautifulSoup(markup, "lxml") 速度快文档容错能力强 需要安装C语言库
lxml XML 解析器 BeautifulSoup(markup, ["lxml", "xml"])``BeautifulSoup(markup, "xml") 速度快唯一支持XML的解析器 需要安装C语言库
html5lib BeautifulSoup(markup, "html5lib") 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 速度慢

语法

官方解释

Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

提取步骤

使用Beautiful Soup4提取HTML内容，一般要经过以下两步：

  • 处理源代码生成BeautifulSoup对象
  • 使用find_all()或者find()来查找内容

快速入门

使用的是\color{red}{爱丽丝梦游仙境}中的一段内容

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<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="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>
"""

下面👇的内容是对官网中一些案例的提炼，也是经常会使用到的方法。

导入模块

使用之前先导入模块并且指定解析器，创建beautifulsoup对象的时候指定两个参数：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'html.parser')  # 1-待解析文档；2-解析器指定

如果文件是在本地，使用open方法先打开再进行解析

soup = BeautifulSoup(open('index.html'), 'html.parser')

直接输出

缩进格式化输出-prettify()

能够按照标准的缩进格式进行输出！！！

需要记住该方法，方便查阅内容

浏览结构化数据-标签

  1. 使用soup加上标签能够轻松获取标签相关的内容，比正则更加方便了些。
  • 整个标签
  • 标签名称
  • 标签内容
  1. 如果存在多个相同的标签名，只会取到第一个

如果想查询所有的标签，往下看

  1. 查看相关的属性

四大对象种类

BS将HTML文档解析成一个复杂的树形结构，每个节点都可以看做是Python对象，所有对象可以归纳为4种：

  • Tag
  • NavigableString
  • BeautifulSoup
  • Comment

Tag(标签)

就是HTML中每个标签，下面就是一个完整的title、p标签

<title>The Dormouse's story</title>

<p class="title"><b>The Dormouse's story</b></p>

Tag对象与XML或者HTML原生文档中的tag相同

Tag对象的两个重要属性：name和attributes

name
  1. 每个tag都有自己的name。如果改变tag的name属性，那么将改变当前通过BS对象生成的HTML文档

\color{red}{注意}：soup 对象本身的name值是[document]，对于内部其他标签，输出的值便是标签本身的名称

attributes

对于一个tag对象可能具有多个attributes值，比如<a class="sister" href="http://example.com/lacie" id="link2">便有3个属性值。

通过字典和.[attribute]的方式能够获取到属性值

tag的属性可以进行修改、添加和删除等操作，操作方法和字典的一样。

image-20200802150013445
image-20200802150013445

NavigableString(可遍历的字符串)

字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串。

上面通过方法得到了标签里面的内容，那怎么得到标签内部的文字呢？很简单：通过.string方法即可

BeautifulSoup(BS对象)

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

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

image-20200802151433110
image-20200802151433110

Comment (注释)

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.

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，看下面的例子：

使用之前最好先进行一个判断：

if type(soup.a.string) == bs4.element.Comment:  # 如果类型一致
  print(soup.a.string)  # 输出文本内容

首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

avatar
文章
阅读
粉丝