分类目录:《Python爬虫从入门到精通》总目录
解析库使用篇:
解析库re的使用:正则表达式
解析库XPath的使用
解析库Beautiful Soup的使用
解析库pyquery的使用
在《解析库re的使用:正则表达式》中介绍了正则表达式的相关用法,但是一旦正则表达式写的有问题,得到的可能就不是我们想要的结果了。而且对于一个网页来说,都有一定的特殊结构和层级关系,而且很多节点都有id或class来作区分,所以我们也可以借助它们的结构和属性来提取。本文就来介绍一个强大的解析工具Beautiful Soup,它借助网页的结构和属性等特性来解析网页。有了它,我们不用再去写一些复杂的正则表达式,只需要简单的几条语句,就可以完成网页中某个元素的提取。
简介
简单来说,Beautiful Soup就是Python的一个HTML或XML的解析库,可以用它来方便地从网页中提取数据。Beautiful Soup提供一些简单的、Python式的函数来处理导航、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。所以说,利用它可以省去很多烦琐的提取工作,提高了解析效率。
解析器
Beautiful Soup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)。
通过以上对比可以看出,lxml解析器有解析HTML和XML的功能,而且速度快,容错能力强,所以推荐使用它。如果使用lxml,那么在初始化Beautiful Soup时,可以把第二个参数改为lxml即可:
from bs4 import BeautifulSoupsoup = BeautifulSoup("", "lxml")基本用法
下面首先用实例来看看Beautiful Soup的基本用法:
from bs4 import BeautifulSouphtml = """<html><head><title>The Dormouse"s story</title></head><body><p name="dromouse"><b>The Dormouse"s story</b></p><p>Once upon a time there were three little sisters; and their names were<a href="/elsie"><!-- Elsie --></a>,<a href="/lacie">Lacie</a> and<a href="/tillie">Tillie</a>;and they lived at the bottom of a well.</p><p>...</p>"""soup = BeautifulSoup(html, "lxml")print(soup.prettify())print(soup.title.string)
运行结果如下:
<html> <head> <title> The Dormouse"s story </title> </head> <body> <p name="dromouse"> <b> The Dormouse"s story </b> </p> <p> Once upon a time there were three little sisters; and their names were <a href="/elsie"> <!-- Elsie --> </a> , <a href="/lacie"> Lacie </a> and <a href="/tillie"> Tillie </a> ;and they lived at the bottom of a well. </p> <p> ... </p> </body></html>The Dormouse"s story
这里首先声明变量html,它是一个HTML字符串。但是需要注意的是,它并不是一个完整的HTML字符串,因为body和html节点都没有闭合。接着,我们将它当作第一个参数传给BeautifulSoup对象,该对象的第二个参数为解析器的类型(这里使用lxml),此时就完成了BeaufulSoup对象的初始化。然后,将这个对象赋值给soup变量。接下来,就可以调用soup的各个方法和属性解析这串HTML代码了。
首先,调用prettify()方法。这个方法可以把要解析的字符串以标准的缩进格式输出。这里需要注意的是,输出结果里面包含body和html节点,也就是说对于不标准的HTML字符串BeautifulSoup,可以自动更正格式。这一步不是由prettify()方法做的,而是在初始化BeautifulSoup时就完成了。然后调用soup.title.string,这实际上是输出HTML中title节点的文本内容。所以,soup.title可以选出HTML中的title节点,再调用string属性就可以得到里面的文本了,所以我们可以通过简单调用几个属性完成文本提取。
节点选择器
直接调用节点的名称就可以选择节点元素,再调用string属性就可以得到节点内的文本了,这种选择方式速度非常快。如果单个节点结构层次非常清晰,可以选用这种方式来解析。
选择元素
下面再用一个例子详细说明选择元素的方法:
from bs4 import BeautifulSouphtml = """<html><head><title>The Dormouse"s story</title></head><body><p name="dromouse"><b>The Dormouse"s story</b></p><p>Once upon a time there were three little sisters; and their names were<a href="/elsie"><!-- Elsie --></a>,<a href="/lacie">Lacie</a> and<a href="/tillie">Tillie</a>;and they lived at the bottom of a well.</p><p>...</p>"""soup = BeautifulSoup(html, "lxml")print(soup.title.string)print(soup.head)print(soup.p)
运行结果如下:
The Dormouse"s story<head><title>The Dormouse"s story</title></head><p name="dromouse"><b>The Dormouse"s story</b></p>
这里依然选用刚才的HTML代码,首先打印输出title节点的选择结果,输出结果正是title节点加里面的文字内容。接下来,我们又尝试选择了head节点,结果也是节点加其内部的所有内容。最后,选择了p节点。不过这次情况比较特殊,我们发现结果是第一个p节点的内容,后面的几个p节点并没有选到。也就是说,当有多个节点时,这种选择方式只会选择到第一个匹配的节点,其他的后面节点都会忽略。
提取信息
上面演示了调用string属性来获取文本的值,下面我们来统一梳理一下信息的提取方式。
获取名称
可以利用name属性获取节点的名称。这里还是以上面的文本为例,选取title节点,然后调用name属性就可以得到节点名称:
print(soup.title.name)获取属性
每个节点可能有多个属性,比如id和class等,选择这个节点元素后,可以调用attrs获取所有属性:
print(soup.p.attrs)print(soup.p.attrs["name"])
运行结果如下:
{"class": ["title"], "name": "dromouse"}dromouse
可以看到,attrs的返回结果是字典形式,它把选择的节点的所有属性和属性值组合成一个字典。接下来,如果要获取name属性,就相当于从字典中获取某个键值,只需要用中括号加属性名就可以了。比如,要获取name属性,就可以通过attrs["name"]来得到。其实这样有点烦琐,还有一种更简单的获取方式:可以不用写attrs,直接在节点元素后面加中括号,传入属性名就可以获取属性值了。
print(soup.p["name"])print(soup.p["class"])
运行结果如下:
dromouse["title"]
这里需要注意的是,有的返回结果是字符串,有的返回结果是字符串组成的列表。比如,name属性的值是唯一的,返回的结果就是单个字符串。而对于class,一个节点元素可能有多个class,所以返回的是列表。在实际处理过程中,我们要注意判断类型。
获取内容
可以利用string属性获取节点元素包含的文本内容,比如要获取第一个p节点的文本:
print(soup.p.string)
运行结果如下:
The Dormouse"s story
再次注意一下,这里选择到的p节点是第一个p节点,获取的文本也是第一个p节点里面的文本。
嵌套选择
在上面的例子中,我们知道每一个返回结果都是bs4.element.Tag类型,它同样可以继续调用节点进行下一步的选择。比如,我们获取了head节点元素,我们可以继续调用head来选取其内部的head节点元素:
print(soup.head)print(soup.head.title)
运行结果如下:
<head><title>The Dormouse"s story</title></head><title>The Dormouse"s story</title>关联选择
在做选择的时候,有时候不能做到一步就选到想要的节点元素,需要先选中某一个节点元素,然后以它为基准再选择它的子节点、父节点、兄弟节点等。
子节点和子孙节点
选取节点元素之后,如果想要获取它的直接子节点,可以调用contents属性。
from bs4 import BeautifulSoup
html = """<html> <head> <title>The Dormouse"s story</title> </head> <body> <p> Once upon a time there were three little sisters; and their names were <a href="/elsie"> <span>Elsie</span> </a> <a href="/lacie">Lacie</a> and <a href="/tillie">Tillie</a> and they lived at the bottom of a well. </p> <p>...</p>"""soup = BeautifulSoup(html, "lxml")print(soup.p.contents)
运行结果如下:
["\n Once upon a time there were three little sisters; and their names were\n ", <a href="/elsie"><span>Elsie</span></a>, "\n", <a href="/lacie">Lacie</a>, " \n and\n ", <a href="/tillie">Tillie</a>, "\n and they lived at the bottom of a well.\n "]
可以看到,返回结果是列表形式。p节点里既包含文本,又包含节点,最后会将它们以列表形式统一返回。需要注意的是,列表中的每个元素都是p节点的直接子节点。比如第一个a节点里面包含一层span节点,这相当于孙子节点了,但是返回结果并没有单独把span节点选出来。所以说,contents属性得到的结果是直接子节点的列表。同样,我们可以调用children属性得到相应的结果:
for i, child in enumerate(soup.p.children): print(str(i) + ":" + str(child))
运行结果如下:
0: Once upon a time there were three little sisters; and their names were 1:<a href="/elsie"><span>Elsie</span></a>2:3:<a href="/lacie">Lacie</a>4: and 5:<a href="/tillie">Tillie</a>6: and they lived at the bottom of a well.
还是同样的HTML文本,这里调用了children属性来选择,返回结果是生成器类型。接下来,我们用for循环输出相应的内容。如果要得到所有的子孙节点的话,可以调用descendants属性:
for i, child in enumerate(soup.p.descendants): print(str(i) + ":" + str(child))
运行结果:
0: Once upon a time there were three little sisters; and their names were 1:<a href="/elsie"><span>Elsie</span></a>2:3:<span>Elsie</span>4:Elsie5:6:7:<a href="/lacie">Lacie</a>8:Lacie9: and 10:<a href="/tillie">Tillie</a>11:Tillie12: and they lived at the bottom of a well.
此时返回结果还是生成器。遍历输出一下可以看到,这次的输出结果就包含了span节点。descendants会递归查询所有子节点,得到所有的子孙节点。
父节点和祖先节点
如果要获取某个节点元素的父节点,可以调用parent属性:
from bs4 import BeautifulSouphtml = """<html> <head> <title>The Dormouse"s story</title> </head> <body> <p> Once upon a time there were three little sisters; and their names were <a href="/elsie"> <span>Elsie</span> </a> </p> <p>...</p>"""soup = BeautifulSoup(html, "lxml")print(soup.a.parent)
运行结果:
<p> Once upon a time there were three little sisters; and their names were <a href="/elsie"><span>Elsie</span></a></p>
这里我们选择的是第一个a节点的父节点元素。很明显,它的父节点是p节点,输出结果便是p节点及其内部的内容。需要注意的是,这里输出的仅仅是a节点的直接父节点,而没有再向外寻找父节点的祖先节点。如果想获取所有的祖先节点,可以调用parents属性。
兄弟节点
如果要获取兄弟节点,与祖先节点、子孙节点类似,我们可以使用next_sibling、previous_sibling等属性。
方法选择器
前面所讲的选择方法都是通过属性来选择的,这种方法非常快,但是如果进行比较复杂的选择的话,它就比较烦琐,不够灵活了。而Beautiful Soup还为我们提供了一些查询方法,比如find_all()和find()等,调用它们,然后传入相应的参数,就可以灵活查询了。
find_all()
顾名思义,就是查询所有符合条件的元素。给它传入一些属性或文本,就可以得到符合条件的元素,它的功能十分强大。
find_all(name , attrs , recursive , text , **kwargs)
(1) name
我们可以根据节点名来查询元素:
from bs4 import BeautifulSoup
html = """<div> <div> <h4>Hello</h4> </div> <div> <ul> <li>Foo</li> <li>Bar</li> <li>Jay</li> </ul> <ul> <li>Foo</li> <li>Bar</li> </ul> </div></div>"""soup = BeautifulSoup(html, "lxml")print(soup.find_all(name="ul"))
运行结果:
[<ul><li>Foo</li><li>Bar</li><li>Jay</li></ul>, <ul><li>Foo</li><li>Bar</li></ul>]
这里我们调用了find_all()方法,传入name参数,其参数值为ul。也就是说,我们想要查询所有ul节点,返回结果是列表类型,长度为2,每个元素依然都是bs4.element.Tag类型。
因为都是Tag类型,所以依然可以进行嵌套查询。还是同样的文本,这里查询出所有ul节点后,再继续查询其内部的li节点:
for ul in soup.find_all(name="ul"): print(ul.find_all(name="li"))
运行结果:
[<li>Foo</li>, <li>Bar</li>, <li>Jay</li>][<li>Foo</li>, <li>Bar</li>]
返回结果是列表类型,列表中的每个元素依然还是Tag类型。接下来,就可以继续遍历每个li,获取它的文本了。
for ul in soup.find_all(name="ul"): for li in ul.find_all(name="li"): print(li.string)
(2) attrs
除了根据节点名查询,我们也可以传入一些属性来查询:
print(soup.find_all(attrs={"id":"list-1"}))
运行结果:
[<ul><li>Foo</li><li>Bar</li><li>Jay</li></ul>
这里查询的时候传入的是attrs参数,参数的类型是字典类型。比如,要查询id为list-1的节点,可以传入attrs={"id": "list-1"}的查询条件,得到的结果是列表形式,包含的内容就是符合id为list-1的所有节点。
对于一些常用的属性,比如id和class等,我们可以不用attrs来传递。比如,要查询id为list-1的节点,可以直接传入id这个参数。还是上面的文本,我们换一种方式来查询:
print(soup.find_all(id="list-1"))
这里直接传入id="list-1",就可以查询id为list-1的节点元素了。而对于class来说,由于class在Python里是一个关键字,所以后面需要加一个下划线,即class_="element",返回的结果依然还是Tag组成的列表。
(3) text
text参数可用来匹配节点的文本,传入的形式可以是字符串,可以是正则表达式对象:
import refrom bs4 import BeautifulSouphtml="""<div> <div> <a>Hello, this is a link</a> <a>Hello, this is a link, too</a> </div></div>"""soup = BeautifulSoup(html, "lxml")print(soup.find_all(text=pile(".*is.*link.*")))
运行结果如下:
["Hello, this is a link", "Hello, this is a link, too"]
这里有两个a节点,其内部包含文本信息。这里在find_all()方法中传入text参数,该参数为正则表达式对象,结果返回所有匹配正则表达式的节点文本组成的列表。
find()
除了find_all()方法,还有find()方法,只不过后者返回的是单个元素,也就是第一个匹配的元素,而前者返回的是所有匹配的元素组成的列表。
from bs4 import BeautifulSouphtml="""<div> <div> <h4>Hello</h4> </div> <div> <ul> <li>Foo</li> <li>Bar</li> <li>Jay</li> </ul> <ul> <li>Foo</li> <li>Bar</li> </ul> </div></div>"""soup = BeautifulSoup(html, "lxml")print(soup.find(name="ul"))print(type(soup.find(name="ul")))print(soup.find(class_="list"))
运行结果如下:
<ul><li>Foo</li><li>Bar</li><li>Jay</li></ul><class "bs4.element.Tag"><ul><li>Foo</li><li>Bar</li><li>Jay</li></ul>
这里的返回结果不再是列表形式,而是第一个匹配的节点元素,类型依然是Tag类型。另外,还有许多查询方法,其用法与前面介绍的find_all()、find()方法完全相同,只不过查询范围不同,这里简单说明一下。
find_parents()和find_parent():前者返回所有祖先节点,后者返回直接父节点。
find_next_siblings()和find_next_sibling():前者返回后面所有的兄弟节点,后者返回后面第一个兄弟节点。
find_previous_siblings()和find_previous_sibling():前者返回前面所有的兄弟节点,后者返回前面第一个兄弟节点。
find_all_next()和find_next():前者返回节点后所有符合条件的节点,后者返回第一个符合条件的节点。
find_all_previous()和find_previous():前者返回节点后所有符合条件的节点,后者返回第一个符合条件的节点。
CSS选择器
Beautiful Soup还提供了另外一种选择器,那就是CSS选择器。如果对Web开发熟悉的话,那么对CSS选择器肯定也不陌生。。使用CSS选择器时,只需要调用select()方法,传入相应的CSS选择器即可:
from bs4 import BeautifulSouphtml="""<div> <div> <h4>Hello</h4> </div> <div> <ul> <li>Foo</li> <li>Bar</li> <li>Jay</li> </ul> <ul> <li>Foo</li> <li>Bar</li> </ul> </div></div>"""soup = BeautifulSoup(html, "lxml")print(soup.select(".panel .panel-heading"))print(soup.select("ul li"))print(soup.select("#list-2 .element"))print(type(soup.select("ul")[0]))
运行结果:
[<div><h4>Hello</h4></div>][<li>Foo</li>, <li>Bar</li>, <li>Jay</li>, <li>Foo</li>, <li>Bar</li>][<li>Foo</li>, <li>Bar</li>]<class "bs4.element.Tag">
这里我们用了3次CSS选择器,返回的结果均是符合CSS选择器的节点组成的列表。例如,select("ul li")则是选择所有ul节点下面的所有li节点,结果便是所有的li节点组成的列表。最后一句打印输出了列表中元素的类型。可以看到,类型依然是Tag类型。
嵌套选择
select()方法同样支持嵌套选择。例如,先选择所有ul节点,再遍历每个ul节点,选择其li节点:
for ul in soup.select("ul"): print(ul.select("li"))获取属性
我们知道节点类型是Tag类型,所以获取属性还可以用原来的方法。仍然是上面的HTML文本,这里尝试获取每个ul节点的id属性:
for ul in soup.select("ul"): print(ul["id"]) print(ul.attrs["id"]获取文本
要获取文本,当然也可以用前面所讲的string属性。此外,还有一个方法,那就是get_text():
for li in soup.select("li"): print("Get Text:", li.get_text()) print("String:", li.string)
可以看到,二者的效果完全一致:
Get Text: FooString: FooGet Text: BarString: BarGet Text: JayString: JayGet Text: FooString: FooGet Text: BarString: Bar
到此,Beautiful Soup的用法基本就介绍完了,最后做一下简单的总结。
推荐使用lxml解析库,必要时使用html.parser。
节点选择筛选功能弱但是速度快。
建议使用find()或者find_all()查询匹配单个结果或者多个结果。
如果对CSS选择器熟悉的话,可以使用select()方法选择。
如果觉得《Python爬虫从入门到精通(解析库Beautiful Soup的使用)》对你有帮助,请点赞、收藏,并留下你的观点哦!