爬虫之beautifulsoup模块
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫之beautifulsoup模块相关的知识，希望对你有一定的参考价值。
一、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，官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4，安装模块如下：
# pip3 install beautifulsoup4 #pip3 install LXML
二、用法
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
asdf
<div class="title">
<b>The Dormouse's story总共</b>
<h1>f</h1>
</div>
<div class="story">Once upon a time there were three little sisters; and their names were
<a class="sister0" id="link1">Els<span>f</span>ie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</div>
ad<br/>sf
<p class="story">...</p>
</body>
</html>
"""
soup=BeautifulSoup(html_doc, features="lxml")
tag1 = soup.find(name='a') # 找到第一个a标签
tag2 = soup.find_all(name='a') # 找到所有的a标签
tag3 = soup.select('#link2') # 找到id＝link2的标签1、标签名称查找
tag = soup.find('a')
name = tag.name # 获取标签名称，结果a
tag.name = 'span' # 设置标签名称2、标签属性查找
tag = soup.find('a')
attrs = tag.attrs # 获取名称为a的标签的属性 ，结果{'class': ['sister0'], 'id': 'link1'}
tag.attrs = {'ik':123} # 设置
tag.attrs['id'] = 'iiiii' # 设置 # 可以使用print(soup)查看设置后的所有标签属性3、子孙标签查找
soup.p.contents #p下所有子节点 soup.p.children #得到一个迭代器,包含p下所有子节点 for i,child in enumerate(soup.p.children): print(i,child) soup.p.descendants #获取子孙节点,p下所有的标签都会选择出来 for i,child in enumerate(soup.p.descendants): print(i,child)
4、clear,将标签的所有子标签全部清空（保留标签名）
tag = soup.find('body')
tag.clear() # 清空名称为body的标签，保留标签名5、decompose,递归的删除所有的标签
body = soup.find('body')
body.decompose() # 递归的删除名称为body的标签6、extract,递归的删除所有的标签，并获取删除的标签
body = soup.find('body')
v = body.extract() # 递归的删除名称为body的标签
print(soup) #查看删除后的结果为 <html><head><title>The Dormouse's story</title></head> </html>7、decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）
body = soup.find('body')
print(body.decode()) #名称为body的标签转换为字符串，包含body标签
print(body.decode_contents()) #名称为body的标签转换为字符串，不包含body标签8、 encode,转换为字节（含当前标签）；encode_contents（不含当前标签）
body = soup.find('body')
print(body.encode()) #名称为body的标签转换为字节，包含body标签
print(body.encode_contents()) #名称为body的标签转换为字节，不包含body标签9、find,获取匹配的第一个标签
soup.find_all('title', limit=1)
soup.find('title')
# 上面两个查找结果一样，find查找就相当于find_all查找并设置limit=1
# 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.
# find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None
soup.find("head").find("title") #可以简单写成 soup.head.title
tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')10、find_all,获取匹配的所有标签
####### 列表 #######
v = soup.find_all(name=['a','div'])
print(v)
v = soup.find_all(class_=['sister0', 'sister'])
print(v)
v = soup.find_all(text=['Tillie'])
print(v, type(v[0])) #结果：['Tillie'] <class 'bs4.element.NavigableString'>
v = soup.find_all(id=['link1','link2']) #查找id为link1，link2的标签，结果放在列表里面
print(v)
v = soup.find_all(href=['link1','link2']) #没找到href为link1，link2的标签，所以结果是一个空列表
print(v)
####### 正则 #######
import re
rep = re.compile('p') #匹配规则为p标签
rep = re.compile('^p') #匹配规则为p开头标签
v = soup.find_all(name=rep) #找p开头的的所有标签
rep = re.compile('sister.*')
v = soup.find_all(class_=rep)
v = soup.find_all(attrs={"class":rep}) #和上面的一样
rep = re.compile('http://www.oldboy.com/static/.*')
v = soup.find_all(href=rep) #匹配
####### 方法筛选 #######
def func(tag):
return tag.has_attr('class') and tag.has_attr('id')
v = soup.find_all(name=func)
print(v)
get,获取标签属性
tag = soup.find('a')
v = tag.get('id') #获取标签名称为a的id属性
print(v)11、has_attr,检查标签是否具有该属性
tag = soup.find('a')
v = tag.has_attr('id') #检查标签a是否具有id属性
print(v)12、get_text,获取标签内部文本内容
tag = soup.find('a')
print(tag) #<a class="sister0" id="link1">Els<span>f</span>ie</a>
v = tag.get_text('id')
print(v) #结果是：Elsidfidie13、index,检查标签在某标签中的索引位置
tag = soup.find('body')
v = tag.index(tag.find('div'))
print(v)
tag = soup.find('body')
for i,v in enumerate(tag):
print(i,v)14、is_empty_element,是否是空标签(是否可以是空)或者自闭合标签
# 判断是否是如下标签：'br', 'hr', 'input', 'img', 'meta', 'spacer', 'link', 'frame', 'base'
tag = soup.find('br')
v = tag.is_empty_element
print(v)15、关联标签
soup.next soup.next_element #不分层次的查找标签的下一个节点 soup.next_elements soup.next_sibling #下一个兄弟 soup.next_siblings #下面的兄弟们=>生成器对象 tag.previous tag.previous_element #不分层次的查找标签的上一个节点 tag.previous_elements tag.previous_sibling #上一个兄弟 tag.previous_siblings #上面的兄弟们=>生成器对象 tag.parent #获取标签的父节点 tag.parents #找到标签所有的祖先节点
16、查找某标签的关联标签
tag.find_next(...) tag.find_all_next(...) tag.find_next_sibling(...) tag.find_next_siblings(...) tag.find_previous(...) tag.find_all_previous(...) tag.find_previous_sibling(...) tag.find_previous_siblings(...) tag.find_parent(...) tag.find_parents(...) # 参数同find_all
17、select,select_one, CSS选择器
soup.select("title") #[<title>The Dormouse's story</title>]
soup.select("p:nth-of-type(3)") #选择所有p标签中的第三个标签,相当于soup.select(p)[2]
soup.select("body a") #body里的a标签，结果放在列表显示
soup.select("html head title") #[<title>The Dormouse's story</title>]
soup.select("span,a") #选择所有的span和a标签
soup.select("head > title") # 选择head标签下的直接title子标签
soup.select("p > a") # 选择p标签下的直接a子标签
soup.select("p > a:nth-of-type(2)")
soup.select("p > #link1") # 选择p标签下的直接id为link1子标签
soup.select("body > a") # 选择body标签下的直接a子标签
soup.select("#link1 ~ .sister") # 选择id=link1后的class=sister所有兄弟节点标签
soup.select("#link1 + .sister") # 选择id=link1后的class=sister下一个兄弟节点标签，结果[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
soup.select(".sister") # 选择class为sister的标签
soup.select("[class~=sister]") # class=sister的所有节点
soup.select("#link1") # 选择id为link1的标签
soup.select("a#link2") # a节点，且id=link2的节点
soup.select('a[href]') # 所有的a节点，有href属性
soup.select('a[href="http://example.com/elsie"]') # 指定href属性值的所有a节点
soup.select('a[href^="http://example.com/"]')
soup.select('a[href$="tillie"]') # href属性以指定值结尾的所有a节点
soup.select('a[href*=".com/el"]')
from bs4.element import Tag
def default_candidate_generator(tag):
for child in tag.descendants:
if not isinstance(child, Tag):
continue
if not child.has_attr('href'):
continue
yield child
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags) #结果：<class 'list'> [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
from bs4.element import Tag
def default_candidate_generator(tag):
for child in tag.descendants:
if not isinstance(child, Tag):
continue
if not child.has_attr('href'):
continue
yield child
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags) #结果：<class 'list'> [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]18、标签的内容
tag = soup.find('span')
print(tag.string) # 获取，结果f
tag.string = 'new content' # 设置span标签内容为new content
tag = soup.find('body')
print(tag.string) #结果None
tag.string = 'xxx' #<body>xxx</body>
tag = soup.find('body')
v = tag.stripped_strings # 递归内部获取所有标签的文本
print(v) #<generator object stripped_strings at 0x00000000021B0360>19、append在当前标签内部追加一个标签
tag = soup.find('body')
tag.append(soup.find('a')) #在body标签里追加<a class="sister0" id="link1">Els<span>f</span>ie</a>
from bs4.element import Tag
obj = Tag(name='i',attrs={'id': 'it'})
obj.string = '我是一个新来的'
tag = soup.find('body')
tag.append(obj) #在body标签里追加<i id="it">我是一个新来的</i>20、insert在当前标签内部指定位置插入一个标签
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一个新来的'
tag = soup.find('body')
tag.insert(3, obj)
print(soup)21、insert_after,insert_before 在当前标签后面或前面插入
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一个新来的'
tag = soup.find('body')
# tag.insert_before(obj) #在当前标签前面插入
tag.insert_after(obj) #在当前标签后面插入
print(soup)22、replace_with 在当前标签替换为指定标签
from bs4.element import Tag
obj = Tag(name='i', attrs={'id': 'it'})
obj.string = '我是一个新来的'
tag = soup.find('div')
tag.replace_with(obj)
print(soup)23、创建标签之间的关系
tag = soup.find('div')
a = soup.find('a')
tag.setup(previous_sibling=a)
print(tag.previous_sibling) #tag的上一个兄弟标签<a class="sister0" id="link1">Els<span>f</span>ie</a>24、wrap，将指定标签把当前标签包裹起来
from bs4.element import Tag
obj1 = Tag(name='div', attrs={'id': 'it'})
obj1.string = '我是一个新来的' #得到新标签<div id="it">我是一个新来的 </div>
tag = soup.find('a')
v = tag.wrap(obj1) #<div id="it">我是一个新来的<a class="sister0" id="link1">Els<span>f</span>ie</a></div>
print(soup)
tag = soup.find('a')
v = tag.wrap(soup.find('p')) #p标签包住a标签 <p class="story">...<a class="sister0" id="link1">Els<span>f</span>ie</a></p>
print(soup)25、unwrap，去掉当前标签，将保留其包裹的标签
tag = soup.find('a')
v = tag.unwrap() #结果：Els<span>f</span>ie
print(soup)以上是关于爬虫之beautifulsoup模块的主要内容，如果未能解决你的问题，请参考以下文章