从零开始写Python爬虫 --- 1.3 BS4库的解析器

从零开始写Python爬虫 --- 1.3 BS4库的解析器

Ehco

5 个月前

bs4库之所以能快速的定位我们想要的元素，是因为他能够用一种方式将html文件解析了一遍 ，不同的解析器有不同的效果。下文将一一进行介绍。

bs4解析器的选择

网络爬虫的最终目的就是过滤选取网络信息，最重要的部分可以说是解析器。解析器的优劣决定了爬虫的速度和效率。bs4库除了支持我们上文用过的‘html.parser’解析器外，还支持很多第三方的解析器，下面我们来对他们进行对比分析。

bs4库官方推荐我们使用的是lxml解析器，原因是它具有更高的效率，所以我们也将采用lxml解析器。

lxml解析器的安装：

• 依旧采用pip安装工具来安装：

pip install lxml

注意，由于我用的是unix类系统，用pip工具十分的方便，但是如果在windows下安装，总是会出现这样或者那样的问题，这里推荐win用户去lxml官方，下载安装包，来安装适合自己系统版本的lxml解析器。

使用lxml解析器来解释网页

我们依旧以上一篇的 爱丽丝文档 为例子

html_doc = """


The Dormouse's story

Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.

...
"""

试一下吧：

import bs4


#首先我们先将html文件已lxml的方式做成一锅汤
soup = bs4.BeautifulSoup(open('Beautiful Soup 爬虫/demo.html'),'lxml')

#我们把结果输出一下，是一个很清晰的树形结构。
#print(soup.prettify())

'''
OUT:


 
  
 
 
  

   
    The Dormouse's story
   
  
  

   Once upon a time there were three little sisters; and their names were
   
    Elsie
   
   ,
   
    Lacie
   
   and
   
    Tillie
   
   ;
and they lived at the bottom of a well.
  
  

   ...
  
 

'''

如何具体的使用？

bs4 库首先将传入的字符串或文件句柄转换为 Unicode的类型，这样，我们在抓取中文信息的时候，就不会有很麻烦的编码问题了。当然，有一些生僻的编码 如：‘big5’，就需要我们手动设置编码：
soup = BeautifulSoup(markup, from_encoding="编码方式")

对象的种类：

bs4 库将复杂的html文档转化为一个复杂的树形结构，每个节点都是Python对象 ，所有对象可以分为以下四个类型：Tag , NavigableString , BeautifulSoup , Comment
我们来逐一解释：

1. Tag： 和html中的Tag基本没有区别，可以简单上手使用
2. NavigableString： 被包裹在tag内的字符串
3. BeautifulSoup： 表示一个文档的全部内容，大部分的时候可以吧他看做一个tag对象，支持遍历文档树和搜索文档树方法。
4. Comment：这是一个特殊的NavigableSting对象，在出现在html文档中时，会以特殊的格式输出，比如注释类型。

搜索文档树的最简单的方法就是搜索你想获取tag的的name：

soup.head
# 

soup.title
# 

如果你还想更深入的获得更小的tag：例如我们想找到body下的被b标签包裹的部分

soup.body.b
# The Dormouse's story

但是这个方法只能找到按顺序第一个出现的tag

获取所有的标签呢？

这个时候需要find_all()方法，他返回一个列表类型

tag=soup.find_all('a')
# [Elsie,
#  Lacie,
#  Tillie]

#假设我们要找到a标签中的第二个元素：
need = tag[1]
#简单吧

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_tag.contents
[<title>The Dormouse's story]
title_tag = head_tag.contents[0]
print(title_tag)
# 
title_tag.contents
# [u'The Dormouse's story']

• 另外通过tag的 .children生成器，可以对tag的子节点进行循环：

for child in title_tag.children:
    print(child)
    # The Dormouse's story

• 这种方式只能遍历出子节点。如何遍历出子孙节点呢？

子孙节点：比如 head.contents 的子节点是,这里 title本身也有子节点：‘The Dormouse‘s story’ 。这里的‘The Dormouse‘s story’也叫作head的子孙节点

for child in head_tag.descendants:
    print(child)
    # 
    # The Dormouse's story

如何找到tag下的所有的文本内容呢？

1. 如果该tag只有一个子节点（NavigableString类型）：直接使用tag.string就能找到。
2. 如果tag有很多个子、孙节点，并且每个节点里都string：

我们可以用迭代的方式将其全部找出：

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

好了，关于bs4库的基本使用，我们就先介绍到这。剩下来的部分：
父节点、兄弟节点、回退和前进，都与上面从子节点找元素的过程差不多
想要具体了解可以去看一下官方文档

每天的学习记录都会 同步更新到：
微信公众号： findyourownway
知乎专栏：从零开始写Python爬虫 - 知乎专栏
blog ： www.ehcoblog.ml