Python爬虫工具 BeautifulSoup 使用详解
一、模块简介
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会帮你节省工作时间.
二、方法利用
1、安装beautifulsoup
pip install beautifulsoup42、引入模块
from bs4 import beautifulsoup3、选择解析器解析指定内容
soup=beautifulsoup(解析内容,解析器)常用解析器：html.parser,lxml,xml,html5lib
有时候需要安装安装解析器：比如pip3 install lxml
BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库：
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup,
|
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 的版本中文档容错能力差 |
| 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
|
速度快
唯一支持XML的解析器 |
需要安装C语言库 |
| html5lib | BeautifulSou
|
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 |
4、几个简单的浏览结构化数据的方法
#获取Tag，通俗点就是HTML中的一个个标签
#获取Tag，通俗点就是HTML中的一个个标签soup.title # 获取整个title标签字段：<title>The Dormouse's story</title>soup.title.name # 获取title标签名称 ：titlesoup.title.parent.name # 获取 title 的父级标签名称：headsoup.p # 获取第一个p标签字段：<p class="title"><b>The Dormouse's story</b></p>soup.p['class'] # 获取第一个p中class属性值：titlesoup.p.get('class') # 等价于上面soup.a # 获取第一个a标签字段soup.find_all('a') # 获取所有a标签字段soup.find(id="link3") # 获取属性id值为link3的字段soup.a['class'] = "newClass" # 可以对这些属性和内容等等进行修改del bs.a['class'] # 还可以对这个属性进行删除soup.find('a').get('id') # 获取class值为story的a标签中id属性的值soup.title.string # 获取title标签的值 ：The Dormouse's story
三、具体利用
1、获取拥有指定属性的标签
方法一：获取单个属性soup.find_all('div',id="even") # 获取所有id=even属性的div标签soup.find_all('div',attrs={'id':"even"}) # 效果同上方法二:soup.find_all('div',id="even",class_="square") # 获取所有id=even并且class=square属性的div标签soup.find_all('div',attrs={"id":"even","class":"square"}) # 效果同上
2、获取标签的属性值
方法一：通过下标方式提取for link in soup.find_all('a'):print(link['href']) //等同于 print(link.get('href'))方法二：利用attrs参数提取for link in soup.find_all('a'):print(link.attrs['href'])
3、获取标签中的内容
divs = soup.find_all('div') # 获取所有的div标签for div in divs: # 循环遍历div中的每一个diva = div.find_all('a')[0] # 查找div标签中的第一个a标签print(a.string) # 输出a标签中的内容如果结果没有正确显示，可以转换为list列表
4、stripped_strings
去除\n换行符等其他内容 stripped_strings
divs = soup.find_all('div')for div in divs:infos = list(div.stripped_strings) # 去掉空格换行等bring(infos)
四、输出
1、格式化输出prettify()
prettify() 方法将Beautiful Soup的文档树格式化后以Unicode编码输出,每个XML/HTML标签都独占一行
markup = '<a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a>'soup = BeautifulSoup(markup)soup.prettify()# '<html>\n <head>\n </head>\n <body>\n <a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >\n...'print(soup.prettify())# <html># <head># </head># <body># <a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" ># I linked to# <i># example.com# </i># </a># </body># </html>
2、get_text()
如果只想得到tag中包含的文本内容,那么可以调用 get_text() 方法,这个方法获取到tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回:
markup = '<a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >\nI linked to <i>example.com</i>\n</a>'soup = BeautifulSoup(markup)soup.get_text()'\nI linked to example.com\n'soup.i.get_text()'example.com'
参考文档
https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
THE END
