Python-玩转数据-BeautifulSoup库
Python-玩转数据-BeautifulSoup库
一、说明：
Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式。Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
二、安装
Linux 下：
apt-get install Python-bs4
win下：
pip install beautifulsoup4
如果你还需要使用第三方解释器lxml或html5lib，那也安装一下
apt-get install Python-lxml(/html5lib)
或
pip install lxml(/html5lib)
三、 创建 BeautifulSoup 对象
首先导入库 bs4 lxml requests
from bs4 import BeautifulSoup
import lxml
import requests
演示字符串：
html = """
<html><head><title>The Dormouse's storytitle>head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's storyb>p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">a>,
<a href="http://example.com/lacie" class="sister" id="link2">Laciea> and
<a href="http://example.com/tillie" class="sister" id="link3">Tilliea>;
and they lived at the bottom of a well.p>
<p class="story">...p>
"""
创建 beautifulsoup 对象：
soup = BeautifulSoup(html,'lxml') #创建 beautifulsoup 对象
也可用本地 HTML 文件来创建对象：
soup = BeautifulSoup(open('index.html')) #用本地 HTML 文件来创建对象
打印一下 soup 对象的内容，格式化输出：
print (soup.prettify()) #打印 soup 对象的内容，格式化输出
四、四种对象
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,归纳为以下四种:
Tag
NavigableString
BeautifulSoup
Comment
（1）Tag
Tag就是 HTML 中的一个个标签，例如：
<title>The Dormouse's storytitle>
获取 Tags：
print(soup.title)
print(soup.head)
print(soup.a)
print(soup.p)
print(type(soup.a))
这种方式查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，name 和 attrs ：
print(soup.name)
print(soup.a.name)
print(soup.attrs)
print(soup.p.attrs) #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']) #单独获取某个属性
print(soup.p.get('class')) ##单独获取某个属性 跟上面一样的
可以对这些属性和内容等等进行修改：
soup.p['class']="newClass"
可以对这个属性进行删除：
del soup.p['class']
（2）NavigableString
得到了标签的内容用 .string 即可获取标签内部的文字，例如：
print (soup.p.string)
来检查一下它的类型：
print (type(soup.p.string))
#可以看到它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串。
（3）BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.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：
print (type(soup.name))
#（4）Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号。我们找一个带注释的标签：
print(soup.a)
print(soup.a.string)
print(type(soup.a.string))
结果如下：
<a class="sister" href="http://example1.com/elsie" id="link1"><!-- Elsie --></a>
Elsie
<class 'bs4.element.Comment'>
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，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下：
if type(soup.a.string)==bs4.element.Comment:
print (soup.a.string)
上面的代码中，我们判断了它的类型，是否为 Comment 类型。
3. 遍历文档树
（1）直接子节点
tag 的 .content 属性可以将tag的子节点以列表的方式输出：
print (soup.head.contents)
运行结果：
[<title>The Dormouse's story</title>]
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：
print (soup.head.contents[0].children)
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象：
print (soup.head.children)
运行结果：
<list_iterator object at 0x000000000360EFA0>
遍历一下获得里面的内容：
for item in soup.body.children:
print(item)
执行结果：
The Dormouse's story
The Dormouse's story
（2）所有子孙节点
.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，要获取其中的内容，我们需要对其进行遍历：
for item in soup.descendants:
print(item)
查看运行结果，可以发现，所有的节点都被打印出来了：
<html><head><title>The Dormouse's storytitle>head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's storyb>p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example1.com/elsie" id="link1">a>,
（3）节点内容
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：
print (soup.head.string)
运行结果：
The Dormouse's story
第二种情况：
print (soup.title.string)
运行结果：
The Dormouse's story
如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None：
print (soup.html.string)
运行结果：
None
（4）多个内容
.strings 获取多个内容，不过需要遍历获取，比如下面的例子：
for string in soup.strings:
print(repr(string))
输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容：
for string in soup.stripped_strings:
print(repr(string))
（5）父节点
p = soup.p
print(p.parent.name)
运行结果:
body
content = soup.head.title.string
print (content.parent.name)
运行结果：
title
（6）全部父节点
通过元素的 .parents 属性可以递归得到元素的所有父辈节点：
content = soup.head.title.string
for parent in content.parents:
print (parent.name)
（7）兄弟节点
兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 属性获取了该节点的上一个兄弟节点，如果节点不存在，则返回 None
注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行。
print(soup.p.next_sibling)
# 实际该处为空白
print(soup.p.prev_sibling)
#None 没有前一个兄弟节点，返回 None
print(soup.p.next_sibling.next_sibling)
（8）全部兄弟节点
通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出：
for sibling in soup.a.next_siblings:
print(repr(sibling))
（9）前后节点
与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次
比如 head 节点为：
<head><title>The Dormouse's storytitle>head>
那么它的下一个节点便是 title，它是不分层次关系的。
print (soup.head.next_element)
#The Dormouse's story
（10）所有前后节点
通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容：
for element in last_a_tag.next_elements:
print(repr(element))
4. 搜索文档树
（1）find_all( name,attrs,recursive,text , **kwargs )
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
name 参数
A.传字符串
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
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,下面的例子用于查找文档中所有的标签：
soup.find_all('b')
执行结果：
[<b>The Dormouse's story</b>]
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.下面例子中找出所有以b开头的标签,这表示和标签都应该被找到
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
执行结果：
body
b
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.下面代码找到文档中所有标签和标签：
soup.find_all(["a", "b"])
执行结果：
[<b>The Dormouse's story</b>, <a class="sister" href="http://example1.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example1.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example1.com/tillie" id="link3">Tillie</a>]
D.传 True
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点：
for tag in soup.find_all(True):
print(tag.name)
执行结果：
html
head
title
body
p
b
p
a
a
E.传方法
如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False。下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
将这个方法作为参数传入 find_all() 方法,将得到所有
标签：
print(soup.find_all(has_class_but_no_id))
[<p class="title"><b>The Dormouse's story</b></p>,<p class="story">Once upon a time there were...</p>,<p class="story">...</p>]
2）keyword 参数
如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性：
print(soup.find_all(id='link2'))
[<a class="sister" href="http://example1.com/lacie" id="link2">Lacie</a>]
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性：
print(soup.find_all(href=re.compile("elsie")))
执行结果：
# [Elsie]
使用多个指定名字的参数可以同时过滤tag的多个属性：
soup.find_all(href=re.compile("elsie"), id='link1')
执行结果：
# [three]
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以：
print(soup.find_all("a", class_="sister"))
执行结果：
[<a class="sister" href="http://example1.com/elsie" id="link1">Elsie</a>,<a class="sister" href="http://example1.com/lacie" id="link2">Lacie</a>,<a class="sister" href="http://example1.com/tillie" id="link3">Tillie</a>]
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性：
data_soup = BeautifulSoup('foo!')
print(data_soup.find_all(data-foo="value"))
执行结果：
# SyntaxError: keyword can't be an expression
可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag：
print(data_soup.find_all(attrs={"data-foo": "value"}))
执行结果：
# [foo!]
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, True：
soup.find_all(text="Elsie")
# [u'Elsie']
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
4）limit 参数
find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量：
soup.find_all("a", limit=2)
# [Elsie,
# Lacie]
5）recursive 参数
调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False：
soup.html.find_all("title")
# [The Dormouse's story ]
soup.html.find_all("title", recursive=False)
（2）find( name , attrs , recursive , text , **kwargs )
它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果
（3）find_parents() find_parent()
find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容
（4）find_next_siblings() find_next_sibling()
这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点
（5）find_previous_siblings() find_previous_sibling()
这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings()方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点
（6）find_all_next() find_next()
这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点
（7）find_all_previous() 和 find_previous()
这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点
注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似。
5. CSS选择器
我们在写 CSS 时，标签名不加任何修饰，类名前加点，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 ]
print(soup.select('a'))
#[, Lacie, Tillie]
（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：
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[class="sister"]'))
#[, Lacie, Tillie]
print (soup.select('a[href="http://example.com/elsie"]'))
#[]
属性也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://example1.com/elsie"]'))
#[]
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())
综合案例
#encoding:UTF-8
from bs4 import BeautifulSoup
import requests
import time
import json
url = 'http://bj.59.com/pingbandiannao/24604629984324x.shtml'
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text,'lxml')
#获取每件商品的URL
def get_links_from(who_sells):
urls = []
list_view = 'http://bj.59.com/pbdn/pn{}/'.format(str(who_sells))
print ('list_view:{}'.format(list_view) )
wb_data = requests.get(list_view)
soup = BeautifulSoup(wb_data.text,'lxml')
#for link in soup.select('td.t > a.t'):
for link in soup.select('td.t a.t'): #跟上面的方法等价
print link
urls.append(link.get('href').split('?')[0])
return (urls)
#获取58同城每一类商品的url 比如平板电脑 手机 等
def get_classify_url():
url58 = 'http://bj.59.com'
wb_data = requests.get(url58)
soup = BeautifulSoup(wb_data.text, 'lxml')
for link in soup.select('span.jumpBusiness a'):
classify_href = link.get('href')
print (classify_href)
classify_url = url58 + classify_href
print (classify_url)
#获取每件商品的具体信息
def get_item_info(who_sells=0):
urls = get_links_from(who_sells)
for url in urls:
print (url)
wb_data = requests.get(url)
#print wb_data.text
soup = BeautifulSoup(wb_data.text,'lxml')
#print soup.select('infolist > div > table > tbody > tr.article-info > td.t > span.pricebiao > span') ##infolist > div > table > tbody > tr.article-info > td.t > span.pricebiao > span
print (soup.select('span[class="price_now"]')[0].text)
print (soup.select('div[class="palce_li"]')[0].text)
#print list(soup.select('.palce_li')[0].stripped_strings) if soup.find_all('div','palce_li') else None, #body > div > div > div > div > div.info_massege.left > div.palce_li > span > i
data = {
'title':soup.title.text,
'price': soup.select('span[class="price_now"]')[0].text,
'area': soup.select('div[class="palce_li"]')[0].text if soup.find_all('div', 'palce_li') else None,
'date' :soup.select('.look_time')[0].text,
'cate' :'个人' if who_sells == 0 else '商家',
}
print(data)
result = json.dumps(data, encoding='UTF-8', ensure_ascii=False) #中文内容仍然无法正常显示。 使用json进行格式转换，然后打印输出。
print (result)
# get_item_info(url)
# get_links_from(1)
get_item_info(2)
#get_classify_url()