Spider理论系列-bs4

浅辄
102 阅读10分钟

写在前面

bs4最直接的应用就是我在爬取​​Spider实战系列-爬取鬼吹灯小说_浅辄的技术博客_51CTO博客 ​​这一篇里,我同时使用了bs4和xpath,相对于特定的情况,速度也会有所不同,还要根据具体的情况来使用.

一、beautifulsoup的简单使用

简单来说，BeautifulSoup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。

1、安装

pip install beautifulsoup4

pip install beautifulsoup4 -i ​​http://pypi.douban.com/simple/​​

1.1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，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。

pip install lxml

1.2 解析器对比　

​​官网文档​​

2、快速开始

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

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>
"""

使用BeautifulSoup解析这段代码,能够得到一个 ​​BeautifulSoup​​ 的对象,并能按照标准的缩进格式的结构输出:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')
# html进行美化
print(soup.prettify())

匹配代码

<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 class="sister" href="http://example.com/elsie" id="link1">
    Elsie
   </a>
   ,
   <a class="sister" href="http://example.com/lacie" id="link2">
    Lacie
   </a>
   and
   <a class="sister" href="http://example.com/tillie" id="link3">
    Tillie
   </a>
   ;
and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>

几个简单的浏览结构化数据的方法:

soup.title  # 获取标签title
# <title>The Dormouse's story</title>

soup.title.name   # 获取标签名称
# 'title'

soup.title.string   # 获取标签title内的内容
# 'The Dormouse's story'

soup.title.parent  # 获取父级标签

soup.title.parent.name  # 获取父级标签名称
# 'head'

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

soup.p['class']  # 获取p的class属性值
# 'title'

soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

soup.find_all('a')
# [<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>]

soup.find(id="link3")  # 获取id为link3的标签
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

从文档中找到所有a标签的链接:

for link in soup.find_all('a'):
    print(link.get('href'))
    # http://example.com/elsie
    # http://example.com/lacie
    # http://example.com/tillie

从文档中获取所有文字内容:

print(soup.get_text())

3、如何使用

将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.

from bs4 import BeautifulSoup

soup = BeautifulSoup(open("index.html"))

soup = BeautifulSoup("<html>data</html>", 'lxml')

然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档。

二、beautifulsoup的遍历文档树

还拿”爱丽丝梦游仙境”的文档来做例子:

    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>
    """

    from bs4 import BeautifulSoup
    # lxml和html.parser解析的有时候会根据html是否完整而有解析不同的问题，需要注意
    soup = BeautifulSoup(html_doc, 'html.parser')

通过这段例子来演示怎样从文档的一段内容找到另一段内容

1、子节点

一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操作和遍历子节点的属性.

注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点。

1.1 .contents

tag的 ​​.contents​​ 属性可以将tag的子节点以列表的方式输出:

    head_tag = soup.head
    head_tag
    # <head><title>The Dormouse's story</title></head>

    head_tag.contents
    [<title>The Dormouse's story</title>]

    title_tag = head_tag.contents[0]
    title_tag
    # <title>The Dormouse's story</title>
    title_tag.contents
    # [u'The Dormouse's story']

字符串没有 ​​.contents​​ 属性,因为字符串没有子节点:

    text = title_tag.contents[0]
    text.contents
    # AttributeError: 'NavigableString' object has no attribute 'contents'

2、 节点内容

2.1 .string

如果tag只有一个 ​​NavigableString​​​ 类型子节点,那么这个tag可以使用 ​​.string​​​ 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 ​​.string​​​ 方法,输出结果与当前唯一子节点的 ​​.string​​ 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如：

    print (soup.head.string)
    #The Dormouse's story
    # <title><b>The Dormouse's story</b></title>
    print (soup.title.string)
    #The Dormouse's story

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

    print (soup.html.string)
    #None

2.2 .text

如果tag包含了多个子节点, text则会返回内部所有文本内容

    print (soup.html.text)

注意：

strings和text都可以返回所有文本内容

区别：text返回内容为字符串类型 strings为生成器generator

3、 多个内容

    .strings .stripped_strings 属性

3.1.strings

获取多个内容，不过需要遍历获取，比如下面的例子：

    for string in soup.strings:
        print(repr(string))
        
        
    '''
      '\n'
    "The Dormouse's story"
    '\n'
    '\n'
    "The Dormouse's story"
    '\n'
    'Once upon a time there were three little sisters; and their names were\n'
    'Elsie'
    ',\n'
    'Lacie'
    ' and\n'
    'Tillie'
    ';\nand they lived at the bottom of a well.'
    '\n'
    '...'
    '\n'  
        
    '''

3.2 .stripped_strings

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))


    '''

    "The Dormouse's story"
    "The Dormouse's story"
    'Once upon a time there were three little sisters; and their names were'
    'Elsie'
    ','
    'Lacie'
    'and'
    'Tillie'
    ';\nand they lived at the bottom of a well.'
    '...'

    '''

4、 父节点

继续分析文档树,每个tag或字符串都有父节点:被包含在某个tag中

4.1 .parent

通过 ​​.parent​​ 属性来获取某个元素的父节点.在例子“爱丽丝”的文档中,<head>标签是<title>标签的父节点:

    title_tag = soup.title
    title_tag
    # <title>The Dormouse's story</title>
    title_tag.parent
    # <head><title>The Dormouse's story</title></head>

文档的顶层节点比如<html>的父节点是 ​​BeautifulSoup​​ 对象:

    html_tag = soup.html
    type(html_tag.parent)
    # <class 'bs4.BeautifulSoup'>

三、beautifulsoup的搜索文档树

1、find_all

    find_all( name , attrs , recursive , string , **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:

    soup.find_all("title")
    # [<title>The Dormouse's story</title>]

    soup.find_all("a")
    # [<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>]

    soup.find_all(id="link2")
    # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

    import re
    # 模糊查询 包含sisters的就可以
    soup.find(string=re.compile("sisters"))
    # 'Once upon a time there were three little sisters; and their names were\n'

有几个方法很相似,还有几个方法是新的,参数中的 ​​string​​​ 和 ​​id​​​ 是什么含义? 为什么 ​​find_all("p", "title")​​​ 返回的是CSS Class为”title”的

标签? 我们来仔细看一下 ​​find_all()​​ 的参数.

1.1 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.

简单的用法如下:

    soup.find_all("title")
    # [<title>The Dormouse's story</title>]

搜索 ​​name​​​ 参数的值可以使任一类型的 过滤器 ,字符串,正则表达式,列表,方法或是 ​​True​​ .

<1> 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')
# [<b>The Dormouse's story</b>]

<2> 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,这表示和标签都应该被找到

    import re
    for tag in soup.find_all(re.compile("^b")):
        print(tag.name)
    # body
    # b

<3> 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<b>标签

    soup.find_all(["a", "b"])
    # [<b>The Dormouse's story</b>,
    #  <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>

1.2 keyword 参数

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 class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

    import re
    # 超链接包含elsie标签
    print(soup.find_all(href=re.compile("elsie")))
    # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
    # 以The作为开头的字符串
    print(soup.find_all(text=re.compile("^The"))) 
    # ["The Dormouse's story", "The Dormouse's story"]
    # class选择器包含st的节点
    print(soup.find_all(class_=re.compile("st")))

搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True .

下面的例子在文档树中查找所有包含 ​​id​​​ 属性的tag,无论 ​​id​​ 的值是什么:

    soup.find_all(id=True)
    # [<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>]

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 class="sister" href="http://example.com/elsie" id="link1">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

    print(soup.find_all("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>
    ]

    '''

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>]

注意：如何查看条件id和class同时存在时的写法

    print(soup.find_all('b', class_="story", id="x"))
    print(soup.find_all('b', attrs={"class":"story", "id":"x"}))

1.3 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

    import re

    print(soup.find_all(text="Elsie"))
    # ['Elsie']

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

    # 只要包含Dormouse就可以
    print(soup.find_all(text=re.compile("Dormouse")))
    # ["The Dormouse's story", "The Dormouse's story"]

1.4 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.

    print(soup.find_all("a",limit=2))
    print(soup.find_all("a")[0:2])

    '''
    [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 
    <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
    '''

2、find()

    find( name , attrs , recursive , string , **kwargs )

​​find_all()​​​ 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个标签,那么使用 ​​find_all()​​​ 方法来查找标签就不太合适, 使用 ​​find_all​​​ 方法并设置 ​​limit=1​​​ 参数不如直接使用 ​​find()​​ 方法.下面两行代码是等价的:

    soup.find_all('title', limit=1)
    # [<title>The Dormouse's story</title>]

    soup.find('title')
    # <title>The Dormouse's story</title>

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()​​​ 方法没有找到目标是返回空列表, ​​find()​​​ 方法找不到目标时,返回 ​​None​​ .

    print(soup.find("nosuchtag"))
    # None

​​soup.head.title​​​ 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 ​​find()​​ 方法:

    soup.head.title
    # <title>The Dormouse's story</title>

    soup.find("head").find("title")
    # <title>The Dormouse's story</title>

四、beautifulsoup的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

    print(soup.select("title"))  #[<title>The Dormouse's story</title>]
    print(soup.select("b"))      #[<b>The Dormouse's story</b>]

2、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>]

    '''

3、id名查找

    print(soup.select("#link1"))
    # [<a class="sister" href="http://example.com/elsie" id="link1">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

    print(soup.select("p #link2"))

    #[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

直接子标签查找

    print(soup.select("p > #link2"))
    # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

查找既有class也有id选择器的标签

    a_string = soup.select(".story#test")

查找有多个class选择器的标签

    a_string = soup.select(".story.test")

查找有多个class选择器和一个id选择器的标签

    a_string = soup.select(".story.test#book")

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。

    print(soup.select("a[href='http://example.com/tillie']"))
    #[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

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：

    for title in soup.select('a'):
        print (title.get_text())

    '''
    Elsie
    Lacie
    Tillie
    '''
avatar
文章
阅读
粉丝