Python爬虫利器二之Beautiful Soup的用法
Posted brady-wang
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Python爬虫利器二之Beautiful Soup的用法相关的知识，希望对你有一定的参考价值。
Python爬虫利器二之Beautiful Soup的用法
上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出html或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：
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。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
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，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
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。
废话不多说，我们来试一下吧~
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了，也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4)，另外据说 BS4 对 Python3 的支持不够好，不过我用的是 Python2.7.7，如果有小伙伴用的是 Python3 版本，可以考虑下载 BS3 版本。
可以利用 pip 或者 easy_install 来安装，以下两种方法均可
|
1
|
easy_install beautifulsoup4
|
|
1
|
pip install beautifulsoup4
|
如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
|
1
|
sudo python setup.py install
|
然后需要安装 lxml
|
1
|
easy_install lxml
|
|
1
|
pip install lxml
|
另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
|
1
|
easy_install html5lib
|
|
1
|
pip install html5lib
|
Beautiful Soup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，推荐安装。
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, “html.parser”) |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) |
|
|
| lxml XML 解析器 | BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”) |
|
|
| html5lib | BeautifulSoup(markup, “html5lib”) |
|
|
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
|
1
|
from bs4 import BeautifulSoup
|
我们创建一个字符串，后面的例子我们便会用它来演示
|
1
2
3
4
5
6
7
8
9
10
11
|
html = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></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"><!-- Elsie --></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.</p>
<p class="story">...</p>
"""
|
创建 beautifulsoup 对象
|
1
|
soup = BeautifulSoup(html)
|
另外，我们还可以用本地 HTML 文件来创建对象，例如
|
1
|
soup = BeautifulSoup(open(‘index.html‘))
|
上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容，格式化输出
|
1
|
print soup.prettify()
|
|
1
2
3
4
5
|
<html>
<head>
<title>
The Dormouse‘s story
</title>
|
以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。
5. 四大对象种类
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
下面我们进行一一介绍
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
|
1
|
<title>The Dormouse‘s story</title>
|
|
1
|
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
|
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
|
1
2
|
print soup.title
#<title>The Dormouse‘s story</title>
|
|
1
2
|
print soup.head
#<head><title>The Dormouse‘s story</title></head>
|
|
1
2
|
print soup.a
#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
|
|
1
2
|
print soup.p
#<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
|
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。
我们可以验证一下这些对象的类型
|
1
2
|
print type(soup.a)
#<class ‘bs4.element.Tag‘>
|
对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下
name
|
1
2
3
4
|
print soup.name
print soup.head.name
#[document]
#head
|
soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。
attrs
|
1
2
|
print soup.p.attrs
#{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}
|
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。
如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
|
1
2
|
print soup.p[‘class‘]
#[‘title‘]
|
还可以这样，利用get方法，传入属性的名称，二者是等价的
|
1
2
|
print soup.p.get(‘class‘)
#[‘title‘]
|
我们可以对这些属性和内容等等进行修改，例如
|
1
2
3
|
soup.p[‘class‘]="newClass"
print soup.p
#<p class="newClass" name="dromouse"><b>The Dormouse‘s story</b></p>
|
还可以对这个属性进行删除，例如
|
1
2
3
|
del soup.p[‘class‘]
print soup.p
#<p name="dromouse"><b>The Dormouse‘s story</b></p>
|
不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档
（2）NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如
|
1
2
|
print soup.p.string
#The Dormouse‘s story
|
这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。
来检查一下它的类型
|
1
2
|
print type(soup.p.string)
#<class ‘bs4.element.NavigableString‘>
|
（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，以及属性来感受一下
|
1
2
3
4
5
6
|
print type(soup.name)
#<type ‘unicode‘>
print soup.name
# [document]
print soup.attrs
#{} 空字典
|
（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，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
|
1
2
3
|
print soup.a
print soup.a.string
print type(soup.a.string)
|
运行结果如下
|
1
2
3
|
<a class="sister" href="http://example.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。
另外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
|
1
2
|
if type(soup.a.string)==bs4.element.Comment:
print soup.a.string
|
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
6. 遍历文档树
（1）直接子节点
要点：.contents .children 属性
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
|
1
2
|
print soup.head.contents
#[<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
|
1
2
|
print soup.head.contents[0]
#<title>The Dormouse‘s story</title>
|
.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
|
1
2
|
print soup.head.children
#<listiterator object at 0x7f71457f5710>
|
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
|
1
2
|
for child in soup.body.children:
print child
|
|
1
2
3
4
5
|
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
|
（2）所有子孙节点
知识点：.descendants 属性
.descendants
.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，我们也需要遍历获取其中的内容。
|
1
2
|
for child in soup.descendants:
print child
|
运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
|
1
2
3
4
5
|
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<p class="story">Once upon a time 第65天：爬虫利器 Beautiful Soup 之遍历文档 |