wen 一文搞懂Python爬虫解析器BeautifulSoup4
本篇文章给大家带来了关于Python的相关知识，其中主要整理了爬虫解析器BeautifulSoup4的相关问题，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，下面一起来看一下，希望对大家有帮助。
【相关推荐：Python3视频教程 】
一、BeautifulSoup4库介绍
1. 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。
BeautifulSoup4将网页转换为一颗DOM树：
2. 下载模块
1. window电脑点击win键+ R，输入：cmd
2. 安装beautifulsoup4，输入对应的pip命令：pip install beautifulsoup4 ，我已经安装过了出现版本就安装成功了
3. 导包
form bs4 import BeautifulSoup
3. 解析库
BeautifulSoup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一 些第三方解析器(比如lxml)：
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(html,’html.parser’) |
Python的内置标准库、执行速度适中、文档容错能力强 | Python 2.7.3及Python3.2.2之前的版本文档容错能力差 |
| lxml HTML解析库 | BeautifulSoup(html,’lxml’) |
速度快、文档容错能力强 | 需要安装C语言库 |
| lxml XML解析库 | BeautifulSoup(html,‘xml' |
速度快、唯一支持XML的解析器 | 需要安装C语言库 |
| htm5lib解析库 | BeautifulSoup(html,’htm5llib’) |
最好的容错性、以浏览器的方式解析文档、生成HTMLS格式的文档 | 速度慢、不依赖外部扩展 |
对于我们来说，我们最常使用的解析器是lxml HTML解析器，其次是html5lib.
二、上手操作
1. 基础操作
1. 读取HTML字符串：
from bs4 import BeautifulSoup
html = '''
<p class="panel">
<p class="panel-heading">
<h4>Hello</h4>
</p>
<p class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')
2. 读取HTML文件：
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('index.html'),'lxml')
3. 基本方法
from bs4 import BeautifulSoup
html = '''
<p class="panel">
<p class="panel-heading">
<h4>Hello</h4>
</p>
<p class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')# 缩进格式print(soup.prettify())# 获取title标签的所有内容print(soup.title)# 获取title标签的名称print(soup.title.name)# 获取title标签的文本内容print(soup.title.string)# 获取head标签的所有内容print(soup.head)# 获取第一个p标签中的所有内容print(soup.p)# 获取第一个p标签的id的值print(soup.p["id"])# 获取第一个a标签中的所有内容print(soup.a)# 获取所有的a标签中的所有内容print(soup.find_all("a"))# 获取id="u1"print(soup.find(id="u1"))# 获取所有的a标签，并遍历打印a标签中的href的值for item in soup.find_all("a"):
print(item.get("href"))# 获取所有的a标签，并遍历打印a标签的文本值for item in soup.find_all("a"):
print(item.get_text())
2. 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 .
（1）Tag：Tag通俗点讲就是HTML中的一个个标签，例如：
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','lxml')
tag = soup.b
print(tag)
print(type(tag))
输出结果：
<b class="boldest">Extremely bold</b> <class 'bs4.element.Tag'>
Tag有很多方法和属性,在 遍历文档树 和 搜索文档树 中有详细解释.现在介绍一下tag中最重要的属性: name和attributes：
name属性：
print(tag.name) # 输出结果：b # 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档: tag.name = "b1" print(tag) # 输出结果：<b1 class="boldest">Extremely bold</b1>
Attributes属性：
# 取clas属性 print(tag['class']) # 直接”点”取属性, 比如: .attrs : print(tag.attrs)
tag 的属性可以被添加、修改和删除：
# 添加 id 属性 tag['id'] = 1 # 修改 class 属性 tag['class'] = 'tl1' # 删除 class 属性 del tag['class']
（2）NavigableString：用.string获取标签内部的文字：
print(soup.b.string)print(type(soup.b.string))
（3）BeautifulSoup：表示的是一个文档的内容，可以获取它的类型，名称，以及属性：
print(type(soup.name)) # <type 'unicode'> print(soup.name) # [document] print(soup.attrs) # 文档本身的属性为空
（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(soup.b) print(soup.b.string) print(type(soup.b.string))
3. 搜索文档树
1.find_all(name, attrs, recursive, text, **kwargs)
（1）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
-
匹配字符串：查找与字符串完整匹配的内容,用于查找文档中所有的
<a>标签a_list = soup.find_all("a")print(a_list) -
匹配正则表达式：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
# 返回所有表示<body>和<b>标签for tag in soup.find_all(re.compile("^b")): print(tag.name) -
匹配列表：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
# 返回所有所有<p>标签和<a>标签:soup.find_all(["p", "a"])
（2）kwargs参数
soup.find_all(id='link2')
（3）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
# 匹配字符串
soup.find_all(text="a")
# 匹配正则
soup.find_all(text=re.compile("^b"))
# 匹配列表
soup.find_all(text=["p", "a"])
4. css选择器
我们在使用BeautifulSoup解析库时，经常会结合CSS选择器来提取数据。
注意：以下讲解CSS选择器只选择标签，至于获取属性值和文本内容我们后面再讲。
1. 根据标签名查找：比如写一个 li 就会选择所有li 标签, 不过我们一般不用，因为我们都是精确到标签再提取数据的
from bs4 import BeautifulSoup
html = '''
<p class="panel">
<p class="panel-heading">
<h4>Hello</h4>
</p>
<p class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</p>
</p>
'''# 创建对象soup = BeautifulSoup(html, 'lxml')# 1. 根据标签名查找：查找li标签print(soup.select("li"))
输出结果：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
2. 根据类名class查找。.1ine, 即一个点加line，这个表达式选的是class= "line "的所有标签，".”代表class
print(soup.select(".panel_body"))
输出结果：
</ul> <ul class="list list-small" id="list-2"> <li class="element">Foo</li> <li class="element">Bar</li> </ul> </div>]
3. 根据id查找。#box,即一个#和box表示选取id-”box "的所有标签，“#”代表id
print(soup.select("#list-1"))
输出结果：
[<ul class="list" id="list-1" name="element"> <li class="element">Foo</li> <li class="element">Bar</li> <li class="element">Jay</li> </ul>]
4. 根据属性的名字查找。class属性和id属性较为特殊，故单独拿出来定义一个". "和“”来表示他们。
比如：input[ name=“username”]这个表达式查找name= "username "的标签，此处注意和xpath语法的区别
print(soup.select('ul[ name="element"]'))
输出结果：
[<ul class="list" id="list-1" name="element"> <li class="element">Foo</li> <li class="element">Bar</li> <li class="element">Jay</li> </ul>]
5. 标签+类名或id的形式。
# 查找id为list-1的ul标签
print(soup.select('ul#list-1'))
print("-"*20)
# 查找class为list的ul标签
print(soup.select('ul.list'))
输出结果：
[<ul class="list" id="list-1" name="element"> <li class="element">Foo</li> <li class="element">Bar</li> <li class="element">Jay</li> </ul>] -------------------- [<ul class="list" id="list-1" name="element"> <li class="element">Foo</li> <li class="element">Bar</li> <li class="element">Jay</li> </ul>, <ul class="list list-small" id="list-2"> <li class="element">Foo</li> <li class="element">Bar</li> </ul>]
6. 查找直接子元素
# 查找id="list-1"的标签下的直接子标签liprint(soup.select('#list-1>li'))
输出结果：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
7. 查找子孙标签
# .panel_body和li之间是一个空格，这个表达式查找id=”.panel_body”的标签下的子或孙标签liprint(soup.select('.panel_body li'))
输出结果：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
8. 取某个标签的属性
# 1. 先取到<p class="panel_body">p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下的href属性print(p.select('a')[0]["href"])
输出结果：
https://www.baidu.com
9. 获取文本内容有四种方式：
(a) string：获得某个标签下的文本内容，强调-一个标签，不含嵌我。 返回-个字符串
# 1. 先取到<p class="panel_body">p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下print(p.select('a')[0].string)
输出结果：
百度官网
(b) strings：获得某个标签下的所有文本内容，可以嵌套。返回-一个生成器，可用list(生成器)转换为列表
print(p.strings)print(list(p.strings))
输出结果：
<generator object Tag._all_strings at 0x000001AA58E525F0>[' ', ' ', 'Foo', ' ', 'Bar', ' ', 'Jay', ' ', ' ', ' ', 'Foo', ' ', '百度官网', ' ', 'Bar', ' ', ' ']
（c）stripped.strings：跟(b)差不多，只不过它会去掉每个字符串头部和尾部的空格和换行符
print(p.stripped_strings)print(list(p.stripped_strings))
输出结果：
<generator object PageElement.stripped_strings at 0x000001F9995525F0>['Foo', 'Bar', 'Jay', 'Foo', '百度官网', 'Bar']
(d) get.text():获取所有字符串，含嵌套. 不过会把所有字符串拼接为一个，然后返回
注意2:
前3个都是属性，不加括号;最后一个是函数，加括号。
print(p.get_text())
输出结果：
Foo Bar Jay Foo 百度官网 Bar
【相关推荐：Python3视频教程 】
