python爬虫之Beautiful Soup基础知识+实例
python爬虫之Beautiful Soup基础知识
Beautiful Soup是一个可以从HTML或XML文件中提取数据的python库。它能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。
需要注意的是，Beautiful Soup已经自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。因此在使用它的时候不需要考虑编码方式，仅仅需要说明一下原始编码方式就可以了。
一、安装Beautiful Soup库
使用pip命令工具安装Beautiful Soup4库
pip install beautifulsoup4
二、BeautifulSoup库的主要解析器
| 解析器 | 使用方法 | 条件 |
|---|---|---|
| bs4的html解析器 | BeautifulSoup(markup, 'html.parser') | 安装bs4库 |
| lxml的html解析器 | BeautifulSoup(markup, 'lxml') | pip install lxml |
| lxml的lxml解析器 | BeautifulSoup(markup, 'lxml') | pip install lxml |
| html5lib的解析器 | BeautifulSoup(markup, 'html5lib') | pip install html5lib |
具体操作：
html = 'https://www.baidu.com'
bs = BeautifulSoup(html, 'html.parser')
三、BeautifulSoup的简单使用
提取百度搜索页面的部分源代码为例：
<!DOCTYPE html>
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type" />
<meta content="IE=Edge" http-equiv="X-UA-Compatible" />
<meta content="always" name="referrer" />
<link
href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.
css" rel="stylesheet" type="text/css" />
<title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻
</a>
<a class="mnav" href="https://www.hao123.com"
name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧
</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon"
style="display: block;">更多产品 </a>
</div>
</div>
</div>
</div>
</body>
</html>
综合requests和使用BeautifulSoup库的html解析器,对其进行解析如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
print(bs.prettify()) # prettify 方式输出页面
结果如下：
<!DOCTYPE html>
<!--STATUS OK-->
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
<title>
百度一下，你就知道
</title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div class="s_form">
<div class="s_form_wrapper">
<div id="lg">
<img height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270"/>
</div>
<form action="//www.baidu.com/s" class="fm" id="form" name="f">
<input name="bdorz_come" type="hidden" value="1"/>
<input name="ie" type="hidden" value="utf-8"/>
<input name="f" type="hidden" value="8"/>
<input name="rsv_bp" type="hidden" value="1"/>
<input name="rsv_idx" type="hidden" value="1"/>
<input name="tn" type="hidden" value="baidu"/>
<span class="bg s_ipt_wr">
<input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>
</span>
<span class="bg s_btn_wr">
<input autofocus="" class="bg s_btn" id="su" type="submit" value="百度一下"/>
</span>
</form>
</div>
</div>
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">
新闻
</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">
hao123
</a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">
地图
</a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">
视频
</a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
贴吧
</a>
<noscript>
<a class="lb" href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" name="tj_login">
登录
</a>
</noscript>
<script>
document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">登录</a>');
</script>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">
更多产品
</a>
</div>
</div>
</div>
<div id="ftCon">
<div id="ftConw">
<p id="lh">
<a href="http://home.baidu.com">
关于百度
</a>
<a href="http://ir.baidu.com">
About Baidu
</a>
</p>
<p id="cp">
©2017 Baidu
<a href="http://www.baidu.com/duty/">
使用百度前必读
</a>
<a class="cp-feedback" href="http://jianyi.baidu.com/">
意见反馈
</a>
京ICP证030173号
<img src="//www.baidu.com/img/gs.gif"/>
</p>
</div>
</div>
</div>
</body>
</html>
四、BeautifulSoup类的基本元素
BeautifulSoup将复制的HTML文档转换成一个复杂的树型结构，每个节点都是python对象，所有对象可以归纳为四种Tag，NavigableString，Comment，Beautifulsoup。
| 基本元素 | 说明 |
|---|---|
| Tag | 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾，格式：bs.a或者bs.p（获取a标签中或者p标签中的内容）。 |
| Name | 标签的名字，格式为.name. |
| Attributes | 标签的属性，字典形式，格式：.attrs. |
| NavigableString | 标签内非属性字符串，<>...</>中的字符串,格式：.string. |
| Comment | 标签内的注释部分，一种特殊的Comment类型。 |
Tag
任何存在于HTML语法中的标签都可以bs.tag访问获得，如果在HTML文档中存在多个相同的tag对应的内容时，bs.tag返回第一个。示例代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
# 获取第一个a标签的所有内容
print(bs.a) # <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
print(type(bs.a)) # <class 'bs4.element.Tag'>
在Tag标签中最重要的就是html页面中的nam和attrs属性，使用方法如下：
print(bs.a.name) # a
# 把a标签的所有属性打印输出出来，返回一个字典类型
print(bs.a.attrs) # {'href': 'http://news.baidu.com', 'name': 'tj_trnews', 'class': ['mnav']}
# 等价 bs.a.get('class')
print(bs.a['class']) # ['mnav']
bs.a['class'] = 'newClass' # 对class属性的值进行修改
print(bs.a) # <a class="newClass" href="http://news.baidu.com" name="tj_trnews">新闻</a>
del bs.a['class'] # 删除class属性
print(bs.a) # <a href="http://news.baidu.com" name="tj_trnews">新闻</a>
NavigableString
NavigableString中的string方法用于获取标签内部的文字，代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
print(bs.title.string) # 百度一下，你就知道
print(type(bs.title.string)) # <class 'bs4.element.NavigableString'>
Comment
Comment对象是一个特殊类型的NavigableString对象，其输出的内容不包括注释符号，用于输出注释的内容。
from bs4 import BeautifulSoup
html = """<a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>"""
bs = BeautifulSoup(html, 'html.parser')
print(bs.a.string) # 新闻
print(type(bs.a.string)) # <class 'bs4.element.Comment'>
BeautifulSoup
bs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，支持遍历文档树和搜索文档中描述的大部分方法。
因为Beautifulsoup对象并不是真正的HTML或者XML的tag，所以它没有name和attribute属性。所以BeautifulSoup对象一般包含值为"[document]"的特殊属性.name
print(bs.name) # [document]
五、基于bs4库的HTML内容的遍历方法
在HTML中有如下特定的基本格式，也是构成HTML页面的基本组成成分。
而在这种基本的格式下有三种基本的遍历流程
- 下行遍历
- 上行遍历
- 平行遍历
三种遍历方式分别是从当前节点出发，对之上、之下、平行的格式以及关系进行遍历。
下行遍历
下行遍历分别有三种遍历属性，如下所示：
| 属性 | 说明 |
|---|---|
| .contents | 子节点的列表，将所有儿子节点存入列表。 |
| .children | 子节点的迭代类型，用于循环遍历儿子节点。 |
| .descendants | 子孙节点的迭代类型，包涵所有子孙节点，用于循环遍历。 |
代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
# 循环遍历儿子节点
for child in bs.body.children:
print(child)
# 循环遍历子孙节点
for child in bs.body.descendants:
print(child)
# 输出子节点，以列表的形式
print(bs.head.contents)
print(bs.head.contents[0]) # 用列表索引来获取它的某一个元素
上行遍历
上行遍历有两种方式，如下所示：
| 属性 | 说明 |
|---|---|
| .parent | 节点的父亲标签。 |
| .parents | 节点先辈标签的迭代类型，用于循环遍历先辈节点，返回一个生成器。 |
代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
for parent in bs.a.parents:
if parent is not None:
print(parent.name)
print(bs.a.parent.name)
平行遍历
平行遍历有四种属性，如下所示：
| 属性 | 说明 |
|---|---|
| .next_sibling | 返回按照HTML文本顺序的下一个平行节点标签。 |
| .previous_sibling | 返回按照HTML文本顺序的上一个平行节点标签。 |
| .next_siblings | 迭代类型，返回按照HTML文本顺序的所有后续平行节点标签。 |
| .previous_siblings | 迭代类型，返回按照HTML文本顺序的前序所有平行节点标签。 |
代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
for sibling in bs.a.next_siblings:
print(sibling)
for sibling in bs.a.previous_siblings:
print(sibling)
其它遍历
| 属性 | 说明 |
|---|---|
| .strings | 如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，然后进行遍历。 |
| .stripped_strings | 与strings用法一致，可以去除掉那些多余的空白内容。 |
| .has_attr | 判断Tag是否包含属性。 |
六、文件树搜索
使用bs.find_all(name, attires, recursive, string, **kwargs)方法，用于返回一个列表类型，存储查找的结果。
| 属性 | 说明 |
|---|---|
| name | 对标签的名称的检索字符串。 |
| attrs | 对标签属性值的检索字符串，可标注属性检索。 |
| recursive | 是否对子孙全部检索，默认为True。 |
| string | 用与在信息文本中特定字符串的检索。 |
name参数
如果是指定的字符串：会查找与字符串完全匹配的内容，代码如下：
a_list = bs.find_all("a")
print(a_list)
使用正则表达式：将会使用BeautifulSoup4中的search()方法来匹配，代码如下：
import requests
from bs4 import BeautifulSoup
import re
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(re.compile("p"))
for item in t_list:
print(item)
传入一个列表：Beautifulsoup4将会与列表中的任一元素匹配到的节点返回，代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(["meta", "link"])
for item in t_list:
print(item)
传入一个函数或方法：将会根据函数或者方法来匹配，代码如下：
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
attrs参数
并不是所有的属性都可以使用上面这种方法进行搜索，比如HTML的data属性，用与指定属性搜索。
import requests
from bs4 import BeautifulSoup
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(attrs={"class": "mnav"})
for item in t_list:
print(item)
string参数
通过string参数可以搜索文档中的字符串内容，与name参数的可选值一样，string参数接受字符串，正则表达式，列表。
import requests
from bs4 import BeautifulSoup
import re
# 使用requests库加载页面代码
r = requests.get('https://www.baidu.com')
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(attrs={"class": "mnav"})
for item in t_list:
print(item)
# text用于搜索字符串
t_list = bs.find_all(text="hao123")
for item in t_list:
print(item)
# text可以通其它参数混合使用用来过滤tag
t_list = bs.find_all("a", text=["hao123", "地图", "贴吧"])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("\d\d"))
for item in t_list:
print(item)
使用find_all()方法，常用到的正则表达式形式import re代码如下：
bs.find_all(string = re.compile('python')) # 指定查找内容
# 或者指定使用正则表达式要搜索的内容
string = re.compile('python') # 字符为python
bs.find_all(string) # 调用方法模版
七、常用的find()方法如下
| 方法 | 说明 |
|---|---|
| <>find() | 搜索且只返回一个结果，字符串类型，同.find_all()参数。 |
| <>find_parent() | 在先辈节点中返回一个结果，字符串类型，同.find_all()参数。 |
| <>.find_parents() | 在先辈节点中搜索，返回列表类型，同.find_all()参数。 |
| <>.find_next_sibling() | 在后续平行节点中返回一个结果，同.find_all()参数。 |
| <>.find_next_siblings() | 在后续平行节点中搜索，返回列表类型，同.find_all()参数。 |
| <>.find_previous_sibling() | 在前序平行节点中返回一个结果，字符串类型，同.find_all()参数。 |
| <>.find_previous_siblings() | 在前序平行节点中搜索，返回列表类型，同.find_all()参数。 |
八、爬取京东电脑数据
爬取的例子直接输出到屏幕。
(1)要爬取京东一页的电脑商品信息，下图所示：
(2)所爬取的网页连接：https://search.jd.com/search?keyword=macbook pro&qrst=1&suggest=5.def.0.V09&wq=macbook pro
(3)我们的目的是需要获取京东这一个页面上所有的电脑数据，包括价格，名称，ID等。具体代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
headers = {
'User-agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/66.0.3359.139 Safari/537.36"
}
URL = "https://search.jd.com/search?keyword=macbook%20pro&qrst=1&suggest=5.def.0.V09&wq=macbook%20pro"
r = requests.get(URL, headers=headers)
r.encoding = r.apparent_encoding
html = r.text
bs = BeautifulSoup(html, 'html.parser')
all_items = bs.find_all('li', attrs={"class": "gl-item"})
for item in all_items:
computer_id = item["data-sku"]
computer_name = item.find('div', attrs={'class': 'p-name p-name-type-2'})
computer_price = item.find('div', attrs={'class': 'p-price'})
print('电脑ID为：' + computer_id)
print('电脑名称为：' + computer_name.em.text)
print('电脑价格为：' + computer_price.find('i').string)
print('------------------------------------------------------------')
部分结果如下图所示：
