【21天Python进阶学习挑战赛】[day18-19]爬虫解析器BeautifulSoup4

​
​

活动地址：CSDN21天学习挑战赛

学习日记

学习知识点

1、BeautifulSoup4库介绍

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。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

​

BeautifulSoup4将网页转换为一颗DOM树

 2、安装

输入对应的pip命令：pip install beautifulsoup4

3、导包

form bs4 import BeautifulSoup

4、解析库

BeautifulSoup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一些第三方解析器(比如lxml)。最常使用的解析器是lxml HTML解析器，其次是html5lib。

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(html,’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及Python3.2.2之前的版本文档容错能力差
lxml HTML解析库	BeautifulSoup(html,’lxml’)	速度快、文档容错能力强	需要安装C语言库
lxml XML解析库	BeautifulSoup(html,‘xml')	速度快、唯一支持XML的解析器	需要安装C语言库
htm5lib解析库	BeautifulSoup(html,’htm5llib’)	最好的容错性、以浏览器的方式解析文档、生成HTMLS格式的文档	速度慢、不依赖外部扩展

5、实践

5.1 基础操作

• 读取HTML字符串

from bs4 import BeautifulSoup

html = '''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
                百度官网
            
Bar
        
    
 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

• 读取HTML文件

from bs4 import BeautifulSoup

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

• 基本方法

from bs4 import BeautifulSoup

html = '''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
                百度官网
            
Bar
        
    
 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

# 缩进格式
print(soup.prettify())

# 获取title标签的所有内容
print(soup.title)

# 获取title标签的名称
print(soup.title.name)

# 获取title标签的文本内容
print(soup.title.string)

# 获取head标签的所有内容
print(soup.head)

# 获取第一个div标签中的所有内容
print(soup.div)

# 获取第一个div标签的id的值
print(soup.div["id"])

# 获取第一个a标签中的所有内容
print(soup.a)

# 获取所有的a标签中的所有内容
print(soup.find_all("a"))

# 获取id="u1"
print(soup.find(id="u1"))

# 获取所有的a标签，并遍历打印a标签中的href的值
for item in soup.find_all("a"):
    print(item.get("href"))

# 获取所有的a标签，并遍历打印a标签的文本值
for item in soup.find_all("a"):
    print(item.get_text())

5.2 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。

•  Tag

# 1.Tag通俗点讲就是HTML中的一个个标签
soup = BeautifulSoup('Extremely bold','lxml')
tag = soup.b
print(tag)
print(type(tag))

# 输出结果
Extremely bold


# 2.name属性
print(tag.name)
# 输出结果：b
# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = "b1"
print(tag)
# 输出结果：Extremely bold

# 3.Attributes属性
# 取clas属性
print(tag['class'])

# 直接”点”取属性, 比如: .attrs :
print(tag.attrs)

# 4.tag 的属性可以被添加、修改和删除
# 添加 id 属性
tag['id'] = 1

# 修改 class 属性
tag['class'] = 'tl1'

# 删除 class 属性
del tag['class']

• NavigableString：用.string获取标签内部的文字

print(soup.b.string)

print(type(soup.b.string))

• BeautifulSoup：表示的是一个文档的内容，可以获取它的类型，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

• Comment：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.b)

print(soup.b.string)

print(type(soup.b.string))

5.3 搜索文档树

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

•  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

# 匹配字符串：查找与字符串完整匹配的内容,用于查找文档中所有的标签
a_list = soup.find_all("a")
print(a_list)

# 匹配正则表达式：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
# 返回所有表示和标签
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)

# 匹配列表：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
# 返回所有所有
标签和标签:
soup.find_all(["p", "a"])

• kwargs参数

soup.find_all(id='link2')

• 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

# 匹配字符串
soup.find_all(text="a")

# 匹配正则
soup.find_all(text=re.compile("^b"))

# 匹配列表
soup.find_all(text=["p", "a"])

5.4 css选择器

我们在使用BeautifulSoup解析库时，经常会结合CSS选择器来提取数据。

• 根据标签名查找：比如写一个 li 就会选择所有li 标签, 不过我们一般不用，因为我们都是精确到标签再提取数据的

from bs4 import BeautifulSoup

html = '''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
                百度官网
            
Bar
        
    
 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

# 1. 根据标签名查找：查找li标签
print(soup.select("li"))

# 输出结果
[
Foo
, 
Bar
, 
Jay
, 
Foo
, 
Bar
]

• 根据类名class查找。.1ine, 即一个点加line，这个表达式选的是class= "line "的所有标签，".”代表class

print(soup.select(".panel_body"))

# 输出结果


Foo
Bar

]

•  根据id查找。#box,即一个#和box表示选取id-”box "的所有标签，“#”代表id

print(soup.select("#list-1"))

# 输出结果
[

Foo
Bar
Jay
]

• 根据属性的名字查找。class属性和id属性较为特殊，故单独拿出来定义一个". "和“”来表示他们。

# 比如：input[ name=“username”]这个表达式查找name= "username "的标签，此处注意和xpath语法的区别
print(soup.select('ul[ name="element"]'))

# 输出结果
[

Foo
Bar
Jay
]

学习遇到的问题

暂无

学习的收获

了解到了使用BeautifulSoup4库。

实操

暂无