python爬虫学习笔记之BeautifulSoup库



Beautiful Soup的介绍

Beautiful Soup是一个Python库,旨在用于快速的周转项目,例如屏幕抓取。三个功能使其强大:

Beautiful Soup提供了一些用于导航,搜索和修改解析树的简单方法和Pythonic习惯用法:用于剖析文档并提取所需内容的工具箱。编写应用程序不需要太多代码
Beautiful Soup会自动将传入文档转换为Unicode,将传出文档转换为UTF-8。您不必考虑编码,除非文档未指定编码并且Beautiful Soup无法检测到编码。然后,您只需要指定原始编码即可。
Beautiful Soup位于流行的Python解析器(如lxml和html5lib)的顶部,使您可以尝试不同的解析策略或提高灵活性。

Beautiful Soup库解析器

1
2
3
4
5
import requests
from bs4 import BeautifulSoup
r.requests.get("http://python123.io/ws/demo.html") #请求网页
demo = r.text
soup = BeautifulSoup(dem,'html.parser') #指定变量soup代替解析的demo
解析器 使用方法 条件
bs4的HTML解析器 BeautifulSoup(mk,’html.parser’) 安装bs4库
lxml的HTML解析器 BeautifulSoup(mk,’lxml’) pip install lxml
lxml的XML解析器 BeautifulSoup(mk,’xml’) pip install lxml
html5lib的解析器 BeautifulSoup(mk,’html5lib’) pip install html5lib

BeautifulSoup库的基本元素

基本元素 说明
Tag 标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾
Name 标签的名字,

的名字是’p’,格式:.name
Attributes 标签的属性,字典形式组织,格式:.attrs
NavigableString 标签内非属性字符串,<>…</>中字符串,格式:.string
Comment 标签内字符串的注释部分,一种特殊的Comment类型

Tag标签

1
2
3
4
soup = BeautifulSoup(demo, "html.parser")
soup.title #解析得到demo网页的<title>标签
soup.a #解析得到demo网页的<a>标签
soup.p #解析得到demo网页的<p>标签

Tag的name(名字)

1
2
3
4
soup = BeautifulSoup(demo, "html.parser")
soup.a.name #<a>标签的名字
soup.a.parent.name #<a>标签的父级标签
soup.a.parent.parent.name #<a>标签父级标签的父级标签

Tag的attrs(属性)

1
2
3
4
5
6
7
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link">Basic Python</a>

soup = BeautifulSoup(demo, "html.parser")
soup.a.attrs #<a>标签的属性
soup.a.attrs['class']
type(soup.a.attrs) #一个标签可以有多个属性,字典类型
type(soup.a)

Tag的NavigableString(非属性字符串)

1
2
3
4
5
soup.a
soup.a.string
soup.p
soup.p.string
type(soup.p.string)

Tag的Comment(字符串注释部分)

1
2
3
4
5
newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>", "html.parser")
newsoup.b.string
type(newsoup.b.string) #<class 'bs4.element.Comment'> b标签内的注释是一种特殊类型
newsoup.p.string
type(newsoup.p.string) #<class 'bs4.element.NavigableString'>

bs4库的HTML内容遍历

html的的遍历有三种:

  • head标签下行遍历,html→head→title
  • body标签上行遍历,b/a→p→body→html
  • 相同标签的平行遍历

下行遍历

属性 说明
.contents 子节点的列表,将所有儿子节点存入列表
.children 子节点的迭代类型,与.contents类似,用于循环遍历儿子节点
.descendants 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历
1
2
3
4
5
soup = BeautifulSoup(demo, "html.parser")
soup.head #head标签的所有内容
soup.head.contents #head标签子标签内容,可有多个
soup.body.contents #body标签子标签内容,可有多个
len(soup.body.contents) #body子标签有多少个,'\n'表示回车

上行遍历

属性 说明
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型,用于循环遍历先辈节点

平行遍历

属性 说明
.next_sibling 返回按照HTML文本顺序的下一个平行节点标签 .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 迭代类型,返回按照HTML文本顺序的后续所有平行节点标签 .previous_siblings 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签

备注:平行遍历发生在同一个父节点下的各节点间,而head下的标签到body下的标签不能成为平行遍历。

bs4库的HTML格式输出

prettify()

1
2
3
4
soup = BeautifulSoup(demo, "html.parser")
soup.prettify() #利用\n进行分词
print(soup.prettify()) #通过print,更加工整的输出html结构
print(soup.a.prettify()) #对<a>标签美化输出

BeautifulSoup库的实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import requests
from bs4 import BeautifulSoup

r.requests.get("http://python123.io/ws/demo.html")
r.status_code
r.text

soup = BeautifulSoup(r.text, 'html.parser') #html.parser是bs4的html解析器,这里用一个变量soup代替
soup.title #title标签,最基本的信息组织单元
soup.title.name #标签的名字
soup.title.parent.name #父级标签的名字
soup.title.attrs #标签的属性,字典形式组织
soup.title.string #标签内非属性字符串
soup.p.string
type(soup.a) #a里边的属性,可能含有多个,如a里的class、href