Python 爬虫十六式 - 第五式：BeautifulSoup-美味的汤

BeautifulSoup 美味的汤

学习一时爽,一直学习一直爽！

Hello，大家好，我是Connor，一个从无到有的技术小白。上一次我们说到了 Xpath 的使用方法。Xpath 我觉得还是比较绕该怎么办呢？？？有没有更加简单易懂的方法呢？答案是肯定的，当然有更加简单易懂的方法了，那就是 BeautifulSoup 美味的汤。这个方法对于正则和 Xpath 来说更加的简单方便，更加易懂，能够节省我们大量的分析时间。

1.BeautifulSoup 的简介

BeautifulSoup是一个HTML数据提取库。几乎没有什么数据可以难住BeautifulSoup。只要是你可以获取的到的数据，那么你都可以通过BeautifulSoup简单快捷的进行数据提取。是一款非常适合新手入门使用的数据提取库。当然，作为一个HTML数据提取库，requests 都有了官方中文文档，那么 BeautifulSoup 当然也不能少啊，你可以访问 BeautifulSoup 的官方中文文档：点我走起 >>>

2.BeautifulSoup 的安装

既然我又来说到安装了，那就证明这个库和我们平常想的库不太一样，它具体的安装方法为：

pip install beautifulsoup4

注意，是beautifulsoup4，并不是beautifulsoup，虽然我们beautifulsoup的叫，但人家实际叫beautifulsoup4，一定要记清楚哈。

3.BeautifulSoup 的基础使用

安装完了，下面我们就正式开始使用，老规矩，我们先来一段html文档，然后逐一举例，来看BeautifulSoup如何使用：

首先我们来随意编写一段html代码：

html = """
<html>
    <head>
        <title>Hello,Wrold</title>
    </head>
    <body>
        <div class="book">
            <span><!--这里是注释的部分--></span>
            <a href="https://www.baidu.com">百度一下,你就知道</a>
            <img src="https://abc.jpg" />
            <p class="abc">这是一个示例</p>
        </div>
    </body>
</html>"""

3.1 简单的使用

在进行内容提取之前，我们需要将获取的html内容转换成BeautifulSoup对象：

In [1]: from bs4 import BeautifulSoup
    
In [2]: soup = BeautifulSoup(html, "html5lib")
    
In [3]: type(soup)
Out[3]: bs4.BeautifulSoup

可以看的到，我们生成的对象是一个 bs4.BeautfulSoup 对象，我们所有的内容提取都基于这个对象。切记进行内容提取之前先生成 bs4.BeautifulSoup 对象。

3.2 解析器的使用

在上面的语句中，大家可以看到我们使用了一个 html5lib 这是一个解析器，在构造BeautifulSoup 对象的时候，需要用到解析器。BeautifulSoup 支持python自带的解析器和少数第三方解析器。详细对比如下：

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 3.2.2前的版本文档容错能力差
lxml HTML 解析器	`BeautifulSoup(html, "lxml")`	速度快文档容错能力强	需要安装C语言库
lxml XML 解析器	`BeautifulSoup(html, ["lxml","xml"])` `BeautifulSoup(html, "xml")`	速度快唯一支持XML的解析器	需要安装C语言库
html5lib	`BeautifulSoup(markup,"html5lib")`	最好的容错性以浏览器的方式解析文档生成HTML5格式的文档	速度慢但不依赖外部扩展

一般来说，对于速度或性能要求不太高的话，还是建议大家使用 html5lib 来进行解析的，但是当规模达到一定程度的时候，解析速度就会影响到整体项目的快慢了，所以如果你对性能有要求的话，还是推荐使用 lxml 来进行解析的。具体的视情况而定吧。

3.3 节点对象

BeautifulSoup将复杂的HTML文档转换成了一个树状的结构，每个节点都是一个Python对象，所有的对象都可以归纳为四类：Tag，NavigableString，BeautifulSoup,Commnet。

3.3.1 Tag 对象

Tag 就是我们平时所说的标签，Tag下拥有许多属性和方法，和前端类似，例如 a 标签一定会有它的href属性，某些属性是某些标签所独有的。下面我们来看一下如何提取一个 Tag 对象：

In [1]: soup = BeautifulSoup(html)

In [2]: tag = soup.p

In [3]: type(tag)
Out[3]: bs4.element.Tag

可以看的到，我们生成了一个 Tag 对象，我们再来看看 Tag 对象有哪些属性：

name属性:

每一个tag标签都有name属性

In [4]: tag.name
Out[4]: 'p'

Attributes

在html中,某个 Tag 可能有多个属性, Tag 属性使用和字典一样的方法取值:

In [5]: tag["class"]
Out[5]: ['abc']

如果某个 Tag 属性有多个值，那么返回的是一个列表：

In [6]: soup = BeautifulSoup('<p class="body strikeout"></p>')

In [7]: soup.p['class']
Out[7]: ['body', 'strikeout']

get_text()

通过 get_text() 方法我们可以获取某个 Tag 下所有的文本内容：

In [8]: soup.a.get_text()
Out[8]: '百度一下,你就知道'

3.3.2 NavigableString 对象

NavigableString 的意思是可以遍历的字符串，一般被标签包裹在自种的文本就是NavigableString 格式：

In [9]: soup.p.string
Out[9]: '这是一个示例'
   
In [10]: type(soup.p.string)
Out[10]: bs4.element.NavigableString

3.3.3 BeautifulSoup 对象

BeautifulSoup 对象就是通过解析网页所得到的对象，我们的 soup 即是 BeautifulSoup 对象：

In [1]: from bs4 import BeautifulSoup
    
In [2]: soup = BeautifulSoup(html, "html5lib")
    
In [3]: type(soup)
Out[3]: bs4.BeautifulSoup

3.3.4 Comment 对象

Comment 对象是网页中的注释及特殊字符串，当你提取网页中的注释的时候，它会自动帮你生成Comment 对象：

In [4]: comment = soup.body.span.string

In [5]: type(comment)
Out[5]: bs4.element.Comment

了解了 BeautifulSoup 的基础使用之后，我们来看一下 BeautifulSoup 的进阶用法：

4 BeautifulSoup 的高级用法

4.1 Tag与遍历文档树

Tag 对象可以说 BeautifulSoup 中最为重要的对象，通过 BeautifulSoup 来提取数据基本都围绕着这个对象来进行操作。

首先，一个节点中是可以包含多个子节点和多个字符串的。例如html节点中包含着head和body节点。所以BeautifulSoup就可以将一个HTML的网页用这样一层层嵌套的节点来进行表示。

使用我们的例子，你可以这样做：

4.1.1 contents 和 children

通过 contents 可以获取某个节点的所有子节点，包括里面的 NavigbleString 对象，获取的子节点是列表格式：

In [5]: soup.head.contents
Out[5]: [<title>Hello,Wrold</title>]

通过 children 也可以获取某个节点的所有子节点，但是返回的是一个迭代器，这种方式使用起来比列表更加的省内存：

In [6]: tags = soup.head.children

In [7]: print(tags)
<list_iterator object at 0x000002E5B44E6860>

In [8]: for tag in tags:
    ...:     print(tag)
    ...:

<title>Hello,Wrold</title>

4.1.2 descendants

上面的contents和children获取的是某个节点的直接子节点，而无法获得子孙节点。通过descendants可以获得所有子孙节点，返回的结果跟children一样，需要迭代或者转类型使用。

In [15]: tags = soup.body.descendants

In [16]: for tag in tags:
    ...:     print(tag)
    ...:

<div class="book">
<span><!--这里是注释的部分--></span>
<a href="https://www.baidu.com">百度一下,你就知道</a>
<img src="https://abc.jpg"/>
<p class="abc">这是一个示例</p>
</div>

<span><!--这里是注释的部分--></span>
这里是注释的部分

<a href="https://www.baidu.com">百度一下,你就知道</a>
百度一下,你就知道

<img src="https://abc.jpg"/>

<p class="abc">这是一个示例</p>
这是一个示例

通过上图我们可以看得出通过 descendants 首先找出了 body 标签的第一个子节点，然后将子节点中的字符串提取出来。提取出子节点的字符串之后再提取子节点的子节点，再将其内容提取出来。直到该节点不再拥有子节点。这么说可能有些抽象，我们来直接看图：

是不是一目了然了？？？鬼知道我为了做这个图到底经历了什么…

4.1.3 string 和 strings

我们常常会遇到需要获取某个节点中的文本值的情况，如果这个节点中只有一个字符串，那么使用string可以正常将其取出。

In [17]: soup.body.a.string
Out[18]: '百度一下,你就知道'

但是如果一个节点下有多个节点中包含有字符串的时候，这时使用 string 方法就无法准确的取出字符串了，它无法确定你要取出的是哪个字符串，这时你需要使用 strings：

In [19]: strings = soup.body.strings

In [20]: strings
Out[20]: <generator object _all_strings at 0x000002E5B44EA1A8>

In [21]: for string in strings:
    ...:     print(string)
    ...:
百度一下,你就知道
这是一个示例

使用 strings 也会给你返回一个可迭代对象。当然，你会发现里面有很多的’\n’,’\t’啊等这样的转义字符，上面的程序中没有是因为为了美观我手动去掉了。如果你想要获取的内容中没有转义字符的话，你可以使用 stripped_strings 来去掉内容中的空白：

In [22]: strings = soup.body.stripped_strings

In [23]: strings
Out[23]: <generator object stripped_strings at 0x000002E5B39DF3B8>

In [24]: for string in strings:
    ...:     print(string)
    ...:
百度一下,你就知道
这是一个示例

4.1.4 父节点 parent 和 parents

有的时候我们也需要去获取某个节点的父节点，就是当前节点的上一层节点：

In [25]: soup.a.parent
Out[25]:
<div class="book">
<span><!--这里是注释的部分--></span>
<a href="https://www.baidu.com">百度一下,你就知道</a>
<img src="https://abc.jpg"/>
<p class="abc">这是一个示例</p>
</div>

如果使用 parents 的话将会递归获取该节点的所有父辈元素：

In [26]: soup.a.parents
Out[26]: <generator object parents at 0x000002E5B38C3150>

同样这种方式获取的父辈元素也是一个可迭代对象，需要处理后才能使用

4.1.5 兄弟节点

兄弟节点就是指当前节点同级节点。

next_sibling 和 previous_sibling

兄弟节点选取的方法与当前节点的位置有关，next_sibling获取的是当前节点的下一个兄弟节点，previous_sibling获取的是当前节点的上一个兄弟节点。

所以，兄弟节点中排第一个的节点是没有previous_sibling的，最后一个节点是没有next_sibling的。
```
In [27]: soup.head.next_sibling
Out[27]: '\n'

In [28]: soup.head.previos_sibling

In [29]: soup.body.previous_sibling
Out[29]: '\n'
```

next_siblings 和 previous_siblings

相对应的，next_siblings获取的是下方所有的兄弟节点，previous_siblings获取的上方所有的兄弟节点。

In [30]: [i.name for i in soup.head.next_siblings]
Out[30]: [None, 'body', None]

In [31]: [i.name for i in soup.body.next_siblings]
Out[31]: [None]

In [32]: [i.name for i in soup.body.previous_siblings]
Out[32]: [None, 'head', None]

4.2. find_all()

在前面我们讲了通过标签的属性来进行标签的访问的方法，大多都只适用于简单的一些场景，所以 BeautifulSoup 还提供了搜索整个文档树的方法，即 find_all()。该方法基本适用于任何节点：

4.2.1 通过 name 搜索

最简单的使用方式就是使用 name 属性进行搜索，你可以这样做：

In [33]: soup.find_all('a')
Out[33]: [<a href="https://www.baidu.com">百度一下,你就知道</a>]

通过 find_all() 方法获取的内容是一个列表对象。如果你给的条件是一个列表，则会匹配列表里的全部标签，例如：

In [34]: soup.find_all(['a','p'])
Out[34]: [<a href="https://www.baidu.com">百度一下,你就知道</a>, <p class="abc">这是一个示例</p>]

通过上面的例子我们可以看得出，我们可以看得到， BeautifulSoup 对象匹配出了所有的 a标签和 p 标签。

4.2.2 通过属性搜索

除了通过 name 属性来进行匹配之外，我们还可以通过属性进行匹配。这个时候我们需要向 find_all() 方法传递一个字典参数：

In [35]: soup.find_all(attrs={'class':'book'})
Out[35]:
[<div class="book">
 <span><!--这里是注释的部分--></span>
 <a href="https://www.baidu.com">百度一下,你就知道</a>
 <img src="https://abc.jpg"/>
 <p class="abc">这是一个示例</p>
 </div>]

如果一个标签有多个参数，为了查找的准确性，你也可以向attrs传递多个参数。

4.2.3 通过文本搜索

在find_all()方法中，还可以根据文本内容来进行搜索。

In [36]: soup.find_all("a", text="百度一下,你就知道")
Out[36]: [<a href="https://www.baidu.com">百度一下,你就知道</a>]

可见找到的都是字符串对象，如果想要找到包含某个文本的tag，加上tag名即可。

4.2.4 限制查找范围为子节点

find_all() 方法会默认的去所有的子孙节点中搜索，而如果将 recursive 参数设置为False，则可以将搜索范围限制在直接子节点中:

In [37]: soup.find_all("a",recursive=False)
Out[37]: []
    
In [38]: soup.find_all("a",recursive=True)
Out[38]: [<a href="https://www.baidu.com">百度一下,你就知道</a>]

4.2.5 通过正则表达式来筛选结果

在BeautifulSoup中，也是可以与re模块进行相互配合的，将re.compile编译的对象传入find_all()方法，即可通过正则来进行搜索。

In [39]: import re

In [40]: soup.find_all(re.compile("b"))
Out[40]:
[<body>
<div class="book">
<span><!--这里是注释的部分--></span>
<a href="https://www.baidu.com">百度一下,你就知道</a>
<img src="https://abc.jpg"/>
<p class="abc">这是一个示例</p>
</div>
</body>]

可以看到，通过正则表达式，我们找到了所有以 b 开头的标签。正则怎么用我们会在之后的文章中详细的说的，大家不用着急。当然，正则除了能用在标签上，也可以用在属性上：

In [57]: soup.find_all(attrs={"class":re.compile("a")})
Out[57]: [<p class="abc">这是一个示例</p>]

4.3 CSS选择器

在BeautifulSoup中，同样也支持使用CSS选择器来进行搜索。使用select()，在其中传入字符串参数，就可以使用CSS选择器的语法来找到tag:

In [58]: soup.select("title")
Out[58]: [<title>Hello,Wrold</title>]
    
In [60]: soup.select(".book")
Out[60]:
[<div class="book">
 <span><!--这里是注释的部分--></span>
 <a href="https://www.baidu.com">百度一下,你就知道</a>
 <img src="https://abc.jpg"/>
 <p class="abc">这是一个示例</p>
 </div>]

下期预告：

Xpath 和 BueatifulSoup 都很好用，但是有时候遇到复杂的选择也很麻烦，有没有能像Jquery一样快速通过css来选择的工具啊？？？当然有了！！！那就是我们的PyQuery，一个和JQuery就像亲兄弟一样的库，敬请期待下期—PyQuery，一个类似JQuery的库。

好了，这就是今天最美味的汤了，不知道你喝了以后有什么感受，我是Connor，一个从无到有的技术小白，希望你能和我一同进步，一同成长！我们下期再见！

学习一时爽，一直学习一直爽！

系列文章连接：

Python 爬虫十六式 - 第一式：HTTP协议 >>>
Python 爬虫十六式 - 第二式：urllib 与 urllib3 >>>
Python 爬虫十六式 - 第三式：Requests的用法 >>>
Python 爬虫十六式 - 第四式: 使用Xpath提取网页内容 >>>
Python 爬虫十六式 - 第六式：JQuery的假兄弟-pyquery >>>
Python 爬虫十六式 - 第七式：正则的艺术 >>>

posted @ 2019-01-13 16:20 Connor_Zhang 阅读(808) 评论(0) 编辑收藏举报

刷新页面返回顶部

Connor Zhang