|
前言 python爬蟲系列文章的第3篇介紹了網(wǎng)絡(luò)請求庫神器 Requests ,，請求把數(shù)據(jù)返回來之后就要提取目標(biāo)數(shù)據(jù)，不同的網(wǎng)站返回的內(nèi)容通常有多種不同的格式,，一種是 json 格式,，這類數(shù)據(jù)對開發(fā)者來說最友好,。另一種 XML 格式的，還有一種最常見格式的是 HTML 文檔,，今天就來講講如何從 HTML 中提取出感興趣的數(shù)據(jù) 自己寫個 HTML 解析器來解析嗎,？還是用正則表達(dá)式？這些都不是最好的辦法,，好在,，Python 社區(qū)在這方便早就有了很成熟的方案，BeautifulSoup 就是這一類問題的克星,，它專注于 HTML 文檔操作,，名字來源于 Lewis Carroll 的一首同名詩歌。 BeautifulSoup 是一個用于解析 HTML 文檔的 Python 庫,，通過 BeautifulSoup,，你只需要用很少的代碼就可以提取出 HTML 中任何感興趣的內(nèi)容，此外,，它還有一定的 HTML 容錯能力,，對于一個格式不完整的HTML 文檔，它也可以正確處理,。 安裝 BeautifulSoup 1 | pip install beautifulsoup4
|
BeautifulSoup3 被官方放棄維護(hù),，你要下載最新的版本 BeautifulSoup4。 HTML 標(biāo)簽 學(xué)習(xí) BeautifulSoup4 前有必要先對 HTML 文檔有一個基本認(rèn)識,，如下代碼,，HTML 是一個樹形組織結(jié)構(gòu)。 1 2 3 4 5 6 7 8 9 | <html>
<head>
<title>hello, world</title>
</head>
<body>
<h1>BeautifulSoup</h1>
<p>如何使用BeautifulSoup</p>
<body>
</html>
|
它由很多標(biāo)簽（Tag）組成,，比如 html,、head、title等等都是標(biāo)簽 一個標(biāo)簽對構(gòu)成一個節(jié)點,，比如 ... 是一個根節(jié)點 節(jié)點之間存在某種關(guān)系,，比如 h1 和 p 互為鄰居，他們是相鄰的兄弟（sibling）節(jié)點 h1 是 body 的直接子（children）節(jié)點,，還是 html 的子孫（descendants）節(jié)點 body 是 p 的父（parent）節(jié)點,，html 是 p 的祖輩（parents）節(jié)點 嵌套在標(biāo)簽之間的字符串是該節(jié)點下的一個特殊子節(jié)點，比如 “hello, world” 也是一個節(jié)點，只不過沒名字,。
使用 BeautifulSoup 構(gòu)建一個 BeautifulSoup 對象需要兩個參數(shù),，第一個參數(shù)是將要解析的 HTML 文本字符串，第二個參數(shù)告訴 BeautifulSoup 使用哪個解析器來解析 HTML,。 解析器負(fù)責(zé)把 HTML 解析成相關(guān)的對象,，而 BeautifulSoup 負(fù)責(zé)操作數(shù)據(jù)（增刪改查）?！県tml.parser” 是Python內(nèi)置的解析器,，”lxml” 則是一個基于c語言開發(fā)的解析器，它的執(zhí)行速度更快,，不過它需要額外安裝 通過 BeautifulSoup 對象就可以定位到 HTML 中的任何一個標(biāo)簽節(jié)點,。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 | from bs4 import BeautifulSoup
text = """
<html>
<head>
<title >hello, world</title>
</head>
<body>
<h1>BeautifulSoup</h1>
<p class="bold">如何使用BeautifulSoup</p>
<p class="big" id="key1"> 第二個p標(biāo)簽</p>
<a href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >python</a> </body>
</html>
"""
soup = BeautifulSoup(text, "html.parser")
# title 標(biāo)簽
>>> soup.title
<title>hello, world</title>
# p 標(biāo)簽
>>> soup.p
<p class="bold">\u5982\u4f55\u4f7f\u7528BeautifulSoup</p>
# p 標(biāo)簽的內(nèi)容
>>> soup.p.string
u'\u5982\u4f55\u4f7f\u7528BeautifulSoup'
|
BeatifulSoup 將 HTML 抽象成為 4 類主要的數(shù)據(jù)類型，分別是Tag , NavigableString , BeautifulSoup,，Comment ,。每個標(biāo)簽節(jié)點就是一個Tag對象，NavigableString 對象一般是包裹在Tag對象中的字符串,，BeautifulSoup 對象代表整個 HTML 文檔,。例如： 1 2 3 4 5 6 | >>> type(soup)
<class 'bs4.BeautifulSoup'>
>>> type(soup.h1)
<class 'bs4.element.Tag'>
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>
|
Tag 每個 Tag 都有一個名字，它對應(yīng) HTML 的標(biāo)簽名稱,。 1 2 3 4 | >>> soup.h1.name
u'h1'
>>> soup.p.name
u'p'
|
標(biāo)簽還可以有屬性,，屬性的訪問方式和字典是類似的，它返回一個列表對象 1 2 | >>> soup.p['class']
[u'bold']
|
NavigableString 獲取標(biāo)簽中的內(nèi)容,，直接使用 .stirng 即可獲取,，它是一個 NavigableString 對象，你可以顯式地將它轉(zhuǎn)換為 unicode 字符串,。 1 2 3 4 5 6 7 | >>> soup.p.string
u'\u5982\u4f55\u4f7f\u7528BeautifulSoup'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>
>>> unicode_str = unicode(soup.p.string)
>>> unicode_str
u'\u5982\u4f55\u4f7f\u7528BeautifulSoup'
|
基本概念介紹完,，現(xiàn)在可以正式進(jìn)入主題了,，如何從 HTML 中找到我們關(guān)心的數(shù)據(jù),？BeautifulSoup 提供了兩種方式，一種是遍歷,，另一種是搜索,，通常兩者結(jié)合來完成查找任務(wù)。 遍歷文檔樹 遍歷文檔樹,，顧名思義,，就是是從根節(jié)點 html 標(biāo)簽開始遍歷，直到找到目標(biāo)元素為止,，遍歷的一個缺陷是,，如果你要找的內(nèi)容在文檔的末尾，那么它要遍歷整個文檔才能找到它，速度上就慢了,。因此還需要配合第二種方法,。 通過遍歷文檔樹的方式獲取標(biāo)簽節(jié)點可以直接通過 .標(biāo)簽名的方式獲取，例如： 獲取 body 標(biāo)簽： 1 2 | >>> soup.body
<body>\n<h1>BeautifulSoup</h1>\n<p class="bold">\u5982\u4f55\u4f7f\u7528BeautifulSoup</p>\n</body>
|
獲取 p 標(biāo)簽 1 2 | >>> soup.body.p
<p class="bold">\u5982\u4f55\u4f7f\u7528BeautifulSoup</p>
|
獲取 p 標(biāo)簽的內(nèi)容 1 2 | >>> soup.body.p.string
\u5982\u4f55\u4f7f\u7528BeautifulSoup
|
前面說了,，內(nèi)容也是一個節(jié)點,，這里就可以用 .string 的方式得到。遍歷文檔樹的另一個缺點是只能獲取到與之匹配的第一個子節(jié)點,，例如,，如果有兩個相鄰的 p 標(biāo)簽時，第二個標(biāo)簽就沒法通過 .p 的方式獲取,，這是需要借用 next_sibling 屬性獲取相鄰且在后面的節(jié)點,。此外，還有很多不怎么常用的屬性,，比如：.contents 獲取所有子節(jié)點,，.parent 獲取父節(jié)點，更多的參考請查看官方文檔,。 搜索文檔樹 搜索文檔樹是通過指定標(biāo)簽名來搜索元素,，另外還可以通過指定標(biāo)簽的屬性值來精確定位某個節(jié)點元素，最常用的兩個方法就是 find 和 find_all,。這兩個方法在 BeatifulSoup 和 Tag 對象上都可以被調(diào)用,。 find_all() 1 | find_all( name , attrs , recursive , text , **kwargs )
|
find_all 的返回值是一個 Tag 組成的列表，方法調(diào)用非常靈活,，所有的參數(shù)都是可選的,。 第一個參數(shù) name 是標(biāo)簽節(jié)點的名字。 1 2 3 4 5 6 | # 找到所有標(biāo)簽名為title的節(jié)點
>>> soup.find_all("title")
[<title>hello, world</title>]
>>> soup.find_all("p")
[<p class="bold">\xc8\xe7\xba\xce\xca\xb9\xd3\xc3BeautifulSoup</p>,
<p class="big"> \xb5\xda\xb6\xfe\xb8\xf6p\xb1\xea\xc7\xa9</p>]
|
第二個參數(shù)是標(biāo)簽的class屬性值 1 2 3 | # 找到所有class屬性為big的p標(biāo)簽
>>> soup.find_all("p", "big")
[<p class="big"> \xb5\xda\xb6\xfe\xb8\xf6p\xb1\xea\xc7\xa9</p>]
|
等效于 1 2 | >>> soup.find_all("p", class_="big")
[<p class="big"> \xb5\xda\xb6\xfe\xb8\xf6p\xb1\xea\xc7\xa9</p>]
|
因為 class 是 Python 關(guān)鍵字,，所以這里指定為 class_,。 kwargs 是標(biāo)簽的屬性名值對，例如：查找有href屬性值為 "http://" 的標(biāo)簽 1 2 | >>> soup.find_all(href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" )[<a href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >python</a>] |
當(dāng)然,，它還支持正則表達(dá)式 1 2 3 | >>> import re
>>> soup.find_all(href=re.compile("^http"))
[<a href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >python</a>] |
屬性除了可以是具體的值,、正則表達(dá)式之外，它還可以是一個布爾值（True/Flase）,，表示有屬性或者沒有該屬性,。 1 2 3 4 | >>> soup.find_all(id="key1")
[<p class="big" id="key1"> \xb5\xda\xb6\xfe\xb8\xf6p\xb1\xea\xc7\xa9</p>]
>>> soup.find_all(id=True)
[<p class="big" id="key1"> \xb5\xda\xb6\xfe\xb8\xf6p\xb1\xea\xc7\xa9</p>]
|
遍歷和搜索相結(jié)合查找，先定位到 body 標(biāo)簽,，縮小搜索范圍,，再從 body 中找 a 標(biāo)簽。 1 2 3 | >>> body_tag = soup.body
>>> body_tag.find_all("a")
[<a href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >python</a>] |
find() find 方法跟 find_all 類似,，唯一不同的地方是,，它返回的單個 Tag 對象而非列表,，如果沒找到匹配的節(jié)點則返回 None。如果匹配多個 Tag,，只返回第0個,。 1 2 3 4 | >>> body_tag.find("a")
<a href="http://" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >python</a>>>> body_tag.find("p")
<p class="bold">\xc8\xe7\xba\xce\xca\xb9\xd3\xc3BeautifulSoup</p>
|
get_text() 獲取標(biāo)簽里面內(nèi)容，除了可以使用 .string 之外,，還可以使用 get_text 方法,，不同的地方在于前者返回的一個 NavigableString 對象，后者返回的是 unicode 類型的字符串,。 1 2 3 4 5 6 7 8 9 10 11 12 | >>> p1 = body_tag.find('p').get_text()
>>> type(p1)
<type 'unicode'>
>>> p1
u'\xc8\xe7\xba\xce\xca\xb9\xd3\xc3BeautifulSoup'
>>> p2 = body_tag.find("p").string
>>> type(p2)
<class 'bs4.element.NavigableString'>
>>> p2
u'\xc8\xe7\xba\xce\xca\xb9\xd3\xc3BeautifulSoup'
>>>
|
實際場景中我們一般使用 get_text 方法獲取標(biāo)簽中的內(nèi)容,。 總結(jié) BeatifulSoup 是一個用于操作 HTML 文檔的 Python 庫，初始化 BeatifulSoup 時,，需要指定 HTML 文檔字符串和具體的解析器,。BeatifulSoup 有3類常用的數(shù)據(jù)類型，分別是 Tag,、NavigableString,、和 BeautifulSoup。查找 HTML元素有兩種方式,，分別是遍歷文檔樹和搜索文檔樹,，通常快速獲取數(shù)據(jù)需要二者結(jié)合,。
好了,，以上就是關(guān)于這篇文章的全部內(nèi)容，希望本文的內(nèi)容對大家學(xué)習(xí)或者使用python能帶來一定的幫助,，如果有疑問大家可以留言交流,，謝謝大家對腳本之家的支持。 原文鏈接：https:///crawler-beautifulsoup.html
|
