【BeautifulSoup上】——05全栈开发——如桃花来

介绍：

大家都说人生苦短，我用python。而在这里我要说人生苦短，用BeautifulSoup。还在为正则表达式而烦恼么？不用担心，我们用高科技。利用BeautifulSoup就足够解决我们百分之90的问题了。

• 是一个高效的网页解析库，可以从HTML或XML(一种存储数据的文档)文件中提取数据
• 支持不同的解析器，比如，对HTML解析，对XML解析，对HTML5解析
• 就是一个非常强大的工具，爬虫利器
• 一个灵感又方便的网页解析库，处理高效，支持多种解析器
• 利用它就不用编写正则表达式也能方便的实现网页信息的抓取

心动了么？那就让我们来详细看看吧。

解析库：

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(markup, “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 or 3.2.2)前的版本中文容错能力差
lxml HTML 解析器	BeautifulSoup(markup, “lxml”)	速度快、文档容错能力强	需要安装C语言库
lxml XML 解析器	BeautifulSoup(markup, “xml”)	速度快、唯一支持XML的解析器	需要安装C语言库
html5lib	BeautifulSoup(markup, “html5lib”)	最好的容错性、以浏览器的方式解析文档、生成HTML5格式的文档	速度慢、不依赖外部扩展

这里我们推荐使用的是lxml解析器，为什么？因为它牛蛙牛蛙！又快容错率又高。

安装：

BeautifulSoup和lxml都是第三方库，所以需要自行下载。

pip install BeautifulSoup4

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库

pip install lxml

lxml 是一种使用 Python 编写的解析库，可以迅速、灵活地处理 XML 和 HTML
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/

标签选择器：

通过标签来进行选择。

1.string属性：

不可跨级别，在当前标签下获取文本内容

#举个例子：
h = """

    
        
    
    
    
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.
    
...
"""
#上面就是个注释，模拟html中返回的数据，不需要纠结。
#1. 导包
from bs4 import BeautifulSoup
#2. 实例化对象,参数1：要解析的内容，参数2：解析器
soup = BeautifulSoup(h,"lxml")
#3. 通过标签名选取，会返回包含标签本身及其里面的所有内容
print(soup.head)#返回包含head标签在内的所有内容。
print(soup.p)#返回匹配的第一个结果
print(soup.title.string)#.string是属性，作用是获取字符串文本

呈现效果：

当然我们也可以把这串代码放入文件中，通过打开文件的方式来获取数据，效果是一样的：

from bs4 import BeautifulSoup
with open("try.html","r") as f:#try文件中包含了这些数据
    h = f.read()
#上面就是个注释，模拟html中返回的数据，不需要纠结。
#1. 导包
#2. 实例化对象,参数1：要解析的内容，参数2：解析器
soup = BeautifulSoup(h,"lxml")
#3. 通过标签名选取，会返回包含标签本身及其里面的所有内容
print(soup.head)#返回包含head标签在内的所有内容。
print(soup.p)#返回匹配的第一个结果
print(soup.title.string)

• 这里BeautifulSoup的导包记得是从bs4里面导入的，而不是直接导入。

.name属性：

获取标签本身的名称

#举个例子：
from bs4 import BeautifulSoup
html = """

    
        
    

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.
...
"""
soup = BeautifulSoup(html,"lxml")
print(soup.title.name)#返回的是标签本身的名字
print(soup.p.name)

呈现效果：

获取标签中的属性值：

我们可以通过.attrs[]来获取属性值，但一般来说这个也可以忽略不写。获取到的标签是符合条件的第一个标签。

#举个例子：
from bs4 import BeautifulSoup
html = """


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.
...
|
"""
soup = BeautifulSoup(html,"lxml")
print(soup.p.attrs["name"])#获取p标签name属性的属性值
print(soup.a.attrs["href"])#获取a标签href属性的属性值
print(soup.p.attrs["class"])
#推荐写法：更简单
print(soup.p["id"])
print(soup.a["href"])#只返回第一个值
print(soup.p["class"])#因为有两个类名，所以采用列表的形式返回

呈现效果：

实用——标准选择器：

语法：

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

根据标签名、属性、内容查找文档。可以把符合条件的内容都查找出来。

get_text()方法：

该方法非常重要：

• 可以跨级别获取文本内容
• 依旧是单个获取

for ul in soup.find_all('ul'):
#     print(ul)
    print(ul.get_text())

使用find_all()根据标签名查找：

#举个例子：
from bs4 import BeautifulSoup
html='''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo-2
            
Bar-2
        
    

'''
soup = BeautifulSoup(html,"lxml")
print(soup.find_all("ul"))#查找到所有ul标签包括在内的内容
print("-"*50)
print(soup.find_all("ul")[0])

呈现效果：

我们可以发现，find_all是以列表形式返回的数据，且一个查找标签占一项。这里共两个ul标签，一个ul标签占一项。我们可以通过下标取出。

使用find_all()根据属性查找：

#举个例子：
from bs4 import BeautifulSoup
html='''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
            
Bar
        
    

'''
soup = BeautifulSoup(html, 'lxml')
#特殊属性查找：
#print(soup.find_all(class="element"))#注意：错误案例
print(soup.find_all(class_="element"))#class属于Python关键字,做特殊处理_(加个下划线)
print("-"*50)
#推荐的查找方式！————指定标签和属性
print(soup.find_all("li",{"class":"element","id":"only"}))
print("-"*50)
print(soup.find_all("li",{"class":"element ele2"}))

呈现效果：

通过标签名锁定标签，再通过进行属性的锁定和筛选。特别注意：属性值是字符串也要添加引号。

text()根据文本值进行选择：

语法：

text="要查找的文本内容"

#举个例子：
from bs4 import BeautifulSoup
html='''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
            
Bar
        
    

'''
soup = BeautifulSoup(html, 'lxml')
# 语法格式：text='要查找的文本内容'
print(soup.find_all(text='Foo')) # 可以做内容统计用
print(len(soup.find_all(text='Foo'))) # 统计数量

呈现效果：

text返回的数据是一个列表，一般这种数据用于统计数量。这里的报红不用管，数据是正常获取的

find( name , attrs , recursive , text , **kwargs)：

find_all是返回所有元素，而find返回的是单个元素

#举个例子：
from bs4 import BeautifulSoup
html='''

    

        
Hello
    
    

        

            
Foo
            
Bar
            
Jay
        
        

            
Foo
            
Bar
        
    

'''
soup = BeautifulSoup(html, 'lxml')
print(soup.find('ul')) # 只返回匹配到的第一个,并把里面的内容全部获取到
# print('---------'*5)
print(soup.find('page')) # 如果标签不存在返回None

呈现效果：