爬虫基础库
Posted guoyunlong666
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫基础库相关的知识,希望对你有一定的参考价值。
beautifulsoup的简单使用
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。 \'\'\'
安装
pip3 install beautifulsoup4
解析器
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。
pip3 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:
pip install html5lib
解析器对比
快速开始
下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):
html_doc = """ <html><head><title>The Dormouse\'s story</title></head> <body> <p class="title"><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> """
使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup
的对象,并能按照标准的缩进格式的结构输出:
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, \'html.parser\') print(soup.prettify())
<html> <head> <title> The Dormouse\'s story </title> </head> <body> <p class="title"> <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 <a class="sister" href="http://example.com/tillie" id="link3"> Tillie </a> ; and they lived at the bottom of a well. </p> <p class="story"> ... </p> </body> </html>
几个简单的浏览结构化数据的方法:
soup.title # <title>The Dormouse\'s story</title> soup.title.name # u\'title\' soup.title.string # u\'The Dormouse\'s story\' soup.title.parent.name # u\'head\' soup.p # <p class="title"><b>The Dormouse\'s story</b></p> soup.p[\'class\'] # u\'title\' soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> soup.find_all(\'a\') # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] soup.find(id="link3") # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
从文档中找到所有<a>标签的链接:
for link in soup.find_all(\'a\'): print(link.get(\'href\')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie
从文档中获取所有文字内容:
print(soup.get_text())
如何使用
将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.
from bs4 import BeautifulSoup soup = BeautifulSoup(open("index.html")) soup = BeautifulSoup("<html>data</html>")
然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档。
对象的种类
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种
Tag
, NavigableString
, BeautifulSoup
, Comment
.
Tag
通俗点讲就是 HTML 中的一个个标签,Tag
对象与XML或HTML原生文档中的tag相同:
soup = BeautifulSoup(\'<b class="boldest">Extremely bold</b>\') tag = soup.b type(tag) # <class \'bs4.element.Tag\'>
tag的名字
soup对象再以爱丽丝梦游仙境的html_doc为例,操作文档树最简单的方法就是告诉它你想获取的tag的name.如果想获取 <head> 标签,只要用 soup.head
:
soup.head # <head><title>The Dormouse\'s story</title></head> soup.title # <title>The Dormouse\'s story</title>
这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取<body>标签中的第一个<b>标签:
soup.body.b # <b>The Dormouse\'s story</b>
通过点取属性的方式只能获得当前名字的第一个tag:
soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
如果想要得到所有的<a>标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()
soup.find_all(\'a\') # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
我们可以利用 soup加标签名轻松地获取这些标签的内容,注意,它查找的是在所有内容中的第一个符合要求的标签。
name和attributes属性
Tag有很多方法和属性,现在介绍一下tag中最重要的属性: name和attributes
每个tag都有自己的名字,通过 .name
来获取:
tag.name # u\'b\' tag[\'class\'] # u\'boldest\' tag.attrs # {u\'class\': u\'boldest\'}
tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样
tag[\'class\'] = \'verybold\' tag[\'id\'] = 1 tag # <blockquote class="verybold" id="1">Extremely bold</blockquote> del tag[\'class\'] del tag[\'id\'] tag # <blockquote>Extremely bold</blockquote> tag[\'class\'] # KeyError: \'class\' print(tag.get(\'class\')) # None
NavigableString(字符串)
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.
字符串常被包含在tag内.Beautiful Soup用 NavigableString
类来包装tag中的字符串,通过 unicode()
方法可以直接将 NavigableString
对象转换成Unicode字符串:
tag.string # u\'Extremely bold\' type(tag.string) # <class \'bs4.element.NavigableString\'> unicode_string = unicode(tag.string) unicode_string # u\'Extremely bold\' type(unicode_string) # <type \'unicode\'>
tag中包含的字符串不能编辑,但是可以被替换成其它的字符串,用 replace_with() 方法:
tag.string.replace_with("No longer bold") tag # <blockquote>No longer bold</blockquote>
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。
print type(soup.name) #<type \'unicode\'> print soup.name # [document] print soup.attrs #{} 空字典
Comment
html_doc=\'<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>\' soup = BeautifulSoup(html_doc, \'html.parser\') print(soup.a.string) # Elsie print(type(soup.a.string)) # <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:
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。
beautifulsoup的遍历文档树
还拿”爱丽丝梦游仙境”的文档来做例子:
html_doc = """ <html><head><title>The Dormouse\'s story</title></head> <body> <p class="title"><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> """ from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, \'html.parser\')
通过这段例子来演示怎样从文档的一段内容找到另一段内容
(1) 子节点
一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操作和遍历子节点的属性.
注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点。
.contents 和 .children
tag的 .contents
属性可以将tag的子节点以列表的方式输出:
head_tag = soup.head head_tag # <head><title>The Dormouse\'s story</title></head> head_tag.contents [<title>The Dormouse\'s story</title>] title_tag = head_tag.contents[0] title_tag # <title>The Dormouse\'s story</title> title_tag.contents # [u\'The Dormouse\'s story\']
字符串没有 .contents
属性,因为字符串没有子节点:
text = title_tag.contents[0] text.contents # AttributeError: \'NavigableString\' object has no attribute \'contents\'
.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
通过tag的 .children
生成器,可以对tag的子节点进行循环:
print(title_tag.children) # <list_iterator object at 0x101b78860> print(type(title_tag.children)) # <class \'list_iterator\'> for child in title_tag.children: print(child) # The Dormouse\'s story
.descendants
.contents
和 .children
属性仅包含tag的直接子节点.例如,<head>标签只有一个直接子节点<title>
head_tag.contents # [<title>The Dormouse\'s story</title>]
但是<title>标签也包含一个子节点:字符串 “The Dormouse’s story”,这种情况下字符串 “The Dormouse’s story”也属于<head>标签的子孙节点.
.descendants
属性可以对所有tag的子孙节点进行递归循环 。
for child in head_tag.descendants: print(child) # <title>The Dormouse\'s story</title> # The Dormouse\'s story
上面的例子中, <head>标签只有一个子节点,但是有2个子孙节点:<head>节点和<head>的子节点, BeautifulSoup
有一个直接子节点(<html>节点),却有很多子孙节点:
len(list(soup.children)) # 1 len(list(soup.descendants)) # 25
(2) 节点内容
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是: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。例如:
print (soup.head.string) #The Dormouse\'s story print (soup.title.string) #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) #None
(3) 多个内容
.strings .stripped_strings 属性
.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)) \'\'\' \'\\n\' "The Dormouse\'s story" \'\\n\' \'\\n\' "The Dormouse\'s story" \'\\n\' \'Once upon a time there were three little sisters; and their names were\\n\' \'Elsie\' \',\\n\' \'Lacie\' \' and\\n\' \'Tillie\' \';\\nand they lived at the bottom of a well.\' \'\\n\' \'...\' \'\\n\' \'\'\'
.stripped_strings
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)) \'\'\' "The Dormouse\'s story" "The Dormouse\'s story" \'Once upon a time there were three little sisters; and their names were\' \'Elsie\' \',\' \'Lacie\' \'and\' \'Tillie\' \';\\nand they lived at the bottom of a well.\' \'...\' \'\'\'
(4) 父节点
继续分析文档树,每个tag或字符串都有父节点:被包含在某个tag中
.parent
通过 .parent
属性来获取某个元素的父节点.在例子“爱丽丝”的文档中,<head>标签是<title>标签的父节点:
title_tag = soup.title title_tag # <title>The Dormouse\'s story</title> title_tag.parent # <head><title>The Dormouse\'s story</title></head>
文档的顶层节点比如<html>的父节点是 BeautifulSoup
对象:
html_tag = soup.html type(html_tag.parent) # <class \'bs4.BeautifulSoup\'>
.parents
通过元素的 .parents
属性可以递归得到元素的所有父辈节点,下面的例子使用了 .parents
方法遍历了<a>标签到根节点的所有节点.
link = soup.a link # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> for parent in link.parents: if parent is None: print(parent) else: print(parent.name) # p # body # html # [document] # None
(5) 兄弟节点
sibling_soup = BeautifulSoup("<a><b>text1</b><c>text2</c></b></a>")
.next_sibling 和 .previous_sibling
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 则与之相反,如果节点不存在,则返回 None
在文档树中,使用 .next_sibling
和 .previous_sibling
属性来查询兄弟节点:
sibling_soup.b.next_sibling # <c>text2</c> sibling_soup.c.previous_sibling # <b>text1</b>
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
实际文档中的tag的 .next_sibling
和 .previous_sibling
属性通常是字符串或空白. 看看“爱丽丝”文档:
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a> <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>
如果以为第一个<a>标签的 .next_sibling
结果是第二个<a>标签,那就错了,真实结果是第一个<a>标签和第二个<a>标签之间的顿号和换行符:
link = soup.a link # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> link.next_sibling # u\',\\n\'
第二个<a>标签是顿号的 .next_sibling
属性:
link.next_sibling.next_sibling # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
全部兄弟节点
.next_siblings .previous_siblings 属性
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)) \'\'\' \',\\n\' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> \' and\\n\' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> \';\\nand they lived at the bottom of a well.\' \'\'\'
前后节点
.next_element .previous_element 属性
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 story</title></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) #<title>The Dormouse\'s story</title>
所有前后节点
.next_elements .previous_elements 属性
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,就好像文档正在被解析一样
for i in soup.a.next_elements: print(repr(i)) \'\'\' \'Elsie\' \',\\n\' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> \'Lacie\' \' and\\n\' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> \'Tillie\' \';\\nand they lived at the bottom of a well.\' \'\\n\' <p class="story">...</p> \'...\' \'\\n\' \'\'\'
以上是遍历文档树的基本用法。
beautifulsoup的搜索文档树
find_all
find_all( name , attrs , recursive , string , **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:
soup.find_all("title") # [<title>The Dormouse\'s story</title>] soup.find_all("p", "title") # [<p class="title"><b>The Dormouse\'s story</b></p>] soup.find_all("a") # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] soup.find_all(id="link2") # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re soup.find(string=re.compile("sisters")) # u\'Once upon a time there were three little sisters; and their names were\\n\'
有几个方法很相似,还有几个方法是新的,参数中的 string
和 id
是什么含义? 为什么 find_all("p", "title")
返回的是CSS Class为”title”的<p>标签? 我们来仔细看一下 find_all()
的参数.
name 参数
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.
简单的用法如下:
soup.find_all("title") # [<title>The Dormouse\'s story</title>]
搜索 name
参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True
.
<1> 传字符串
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<b>标签
soup.find_all(\'b\') # [<b>The Dormouse\'s story</b>]
<2> 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<body>和<b>标签都应该被找到
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b
<3> 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<a>标签和<b>标签
soup.find_all(["a", "b"]) # [<b>The Dormouse\'s story</b>, # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
<4> 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) \'\'\' html head title body p b p a a a p \'\'\'
<5> 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<p>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 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 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. </p>, <p class="story">...</p> ] \'\'\'
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.
soup.find_all(id=\'link2\') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re print(soup.find_all(href=re.compile("elsie"))) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True .
下面的例子在文档树中查找所有包含 id
属性的tag,无论 id
的值是什么:
soup.find_all(id=True) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
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\') # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]
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")) \'\'\' [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> ] \'\'\'
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:
data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>]
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
import re print(soup.find_all(text="Elsie")) # [\'Elsie\'] print(soup.find_all(text=["Tillie", "Elsie", "Lacie"])) # [\'Elsie\', \'Lacie\', \'Tillie\'] print(soup.find_all(text=re.compile("Dormouse"))) # ["The Dormouse\'s story", "The Dormouse\'s story"]
limit 参数
以上是关于爬虫基础库的主要内容,如果未能解决你的问题,请参考以下文章