Python爬虫BeautifulSoup4系列之十

1,概述

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。使用 pip 安装即可：pip install beautifulsoup4

这里写图片描述

2，四大对象种类

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

1,Tag

Tag 通俗点讲就是 HTML 中的一个个标签以及标签中的内容


from bs4 import BeautifulSoup

html = """
The Dormouse's story

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


#创建 Beautiful Soup 对象
soup = BeautifulSoup(html)

print type(soup.p)
# 

对于 Tag，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
# The Dormouse's story

del soup.p['class'] # 还可以对这个属性进行删除
print soup.p
# The Dormouse's story

2,2. NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

print soup.p.string
# The Dormouse's story

print type(soup.p.string)
# In [13]:

3, 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，名称，以及属性

print type(soup.name)
# 

print soup.name 
# [document]

print soup.attrs # 文档本身的属性为空
# {}

4,Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

print soup.a
# 

print soup.a.string
# Elsie 

print type(soup.a.string)
#

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。

3，遍历文档树

1. 直接子节点：.contents .children 属性

tag 的 .content 属性可以将tag的子节点以列表的方式输出。输出方式为列表，我们可以用列表索引来获取它的某一个元素
.children，它返回的不是一个 list，而是一个list生成器对象，不过我们可以通过遍历获取所有子节点。

2，所有子孙节点: .descendants 属性

.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，和 children类似，我们也需要遍历获取其中的内容。

3，节点内容: .string 属性

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

4，搜索文档树

1，1.find_all(name, attrs, recursive, text, **kwargs)

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

A.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,

B.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.

C.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.

2）keyword 参数

soup.find_all(id='link2')

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

2，CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.

写 CSS 时，标签名不加任何修饰，类名前加.，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') 
#[The Dormouse's story]

（2）通过类名查找

print soup.select('.sister')
#[, Lacie, Tillie]

（3）通过 id 名查找

print soup.select('#link1')
#[]

（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 #link1')
#[]

直接子标签查找，则使用 > 分隔

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

（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/elsie"]')
#[]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select('p a[href="http://example.com/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'):
    print title.get_text()

5,使用BeautifulSoup4爬取腾讯社招信息案例

import requests
from bs4 import BeautifulSoup
import json


def tencent(url, item_list):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36"}
    
    # 使用requests模块的get方法，发送请求，获取响应的数据
    html = requests.get(url, headers=headers).content
    print("[LOG]: 正在抓取...%s" % url[-3:])
    # 指定lxml解析器，提取html文件
    soup = BeautifulSoup(html, "lxml")
   
    # select选取html文件中所有的even和odd类，返回的是一个列表
    # 原网页对于奇数even和偶数odd条目，用不同的颜色区分
    node_list = soup.select(".even, .odd")
    
    # 循环遍历每页的招聘信息
    for node in node_list:
        # 每一个职位要想抓取的信息
        item = {}
        # 职位名
        item["positionName"] = node.select("td a")[0].get_text()
        # 职位链接
        item["positionLink"] = "http://hr.tencent.com/" + node.select("td a")[0].get("href")
        # 职位类别
        item["positionType"] = node.select("td")[1].get_text()
        # 职位招聘人数
        item["peopleNumber"] = node.select("td")[2].get_text()
        # 工作地点
        item["workLocation"] = node.select("td")[3].get_text()
        # 发布时间
        item["publishtimes"] = node_list[0].select("td")[4].get_text()

        item_list.append(item)


if __name__ == "__main__":
    # 腾通社招网站
    url = "http://hr.tencent.com/position.php?&start="
    # 用于装所有的招聘职位，每页显示10条招聘信息
    item_list = []
    # 分析腾讯utl地址，可知
    # start=0  第一页
    # start=10 第二页
    # start=20 第三页
    for page in range(0, 100, 10):
        tencent(url + str(page), item_list)

  # 默认按ascii处理所有文本
  # ensure_ascii = False 表示处理中文时，禁用ascii编码，按Unicode处理
    content = json.dumps(item_list, ensure_ascii=False)
    with open("tencent.json", "w") as f:
        f.write(content)