爬虫之Beautifulsoup模块

一、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.目前已经开发到4.0以上了

baautiful soup常用的解析器如下：

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(markup, "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 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器	BeautifulSoup(markup, "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(markup, ["lxml", "xml"]) BeautifulSoup(markup, "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 不依赖外部扩展

 

 

 

 

 

 

 

 

 

 

 

 

 

二、BeautifulSoup的使用

1、遍历文档树

遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

# 1、用法：
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
head=soup.head
# print(head)

# 2、获取标签的名字： 重点
p = soup.p
print(p.name) #>: p

# 3、获取标签的属性  重点
p = soup.body.p # 获取body下的p标签
print(p.attrs) # 结果：{'id': 'my_p', 'class': ['title']}
# 获取p标签内属性值的三种方法
p.attrs.get('class')
p.get('class')
p['class']

# 4、获取标签的内容  重点
'''
text: 取所选标签内下所有的文本内容
string: 若所选标签下的文本只有一个时，取到，否则为None
strings: 拿到一个生成器对象，取下所选标签下的所有文本内容
stripped_strings: 是去掉空白
get_text():是用来调取内部属性text的方法。
区别：string获取的是该标签的直系内容，无法获取该标签子标签的直系内容，
     而text/get_text()可以
注意：如果选标签下包含多个节点，则string输出结果是None,比如：body下有多个p节点
'''
p=soup.body.p
print(p.text)
print(p.string)
print(p.strings)  #结果：<generator object _all_strings at 0x0000026619237BF8>
for line in p.stripped_strings:
    print(line)
print(p.get_text())

# 5、嵌套选择    重点
s = soup.body.a
print(s.get('id'))

# 6、子节点、子孙节点
print(soup.p.contents) #取出p下的所有子节点
print(soup.p.children) #取出包含p标签下所有子节点,返回一个迭代器
print(list(soup.p.children))

# 7、父节点、祖先节点
print(soup.a.parent) #获取a标签的父节点(只有一个)
print(soup.p.parent) #获取p标签的父节点
print(soup.a.parents) #返回生成器，找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
print(list(soup.a.parents))#找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

# 8、兄弟节点
print(soup.a.next_sibling) #下一个兄弟
print(soup.a.previous_sibling) #上一个兄弟

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象

 2、搜索文档树

（1）find()和find_all()

'''
 find_all(name , attrs , recursive , text , **kwargs)
 用处：找到所有符合要求的标签
 参数：name是标签名，attrs是一个字典参数，用来搜索包含特殊属性的标签，比如：data-*类型的属性
 recursive：True，则会搜索当前标签的子孙节点，如果是False，则只搜索当前标签的子节点。
 text: 可以是字符，列表，True,正则
 注意：按类名查找的时候，关键字是class_
'''
soup.find_all('a') #
soup.find(['a','p']) #找到所有a和p标签
soup.find_all('a',limit=2) #找到前两个a标签
soup.find_all('a',attrs={'data-fooo':'value'})
soup.find_all('p',attrs={'class':'title'})
soup.find_all('p',recursive=False)
soup.find_all('a',text='Lacie')
soup.find_all(text='Lacie')
soup.find_all(class_='title')
'''
 find_(name , attrs , recursive , text , **kwargs)
 用处：找到第一个符合要求的标签
 参数：name是标签名，attrs是一个字典参数，用来搜索包含特殊属性的标签，比如：data-*类型的属性
 recursive：True，则会搜索当前标签的子孙节点，如果是False，则只搜索当前标签的子节点。
 text: 可以是字符，列表，True,正则
 注意：按类名查找的时候，关键字是class_
'''
print(soup.find('a')) #寻找a标签
print(soup.find('a',id='link3'))  #寻找id是link3的a标签
print(soup.find('a',class_='sister2'))
print(soup.find('a',title='xxx')) #寻找title是xxx的a标签

'''
区别：find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
     find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None 
'''

(2) 五种过滤器

'''
五种过滤器：字符串、正则表达式、列表、True、方法
'''
# 1、字符串：也就是标签名
soup.find_all('b')
# 2、正则表达式
import re
soup.find_all(re.compile('^b')) #找b开头的标签
# 3、列表
soup.find_all(['a','p'])
# 4、True: 匹配任何值
soup.find_all(True)  #查找所有标签，但是不会返回字符串节点
# 5、方法：可以是自己定义的方法
def myfunc(tag):
    return tag.has_attr('class') and not tag.has_attr('id')
soup.find_all(myfunc())

（3）css选择器

'''
css选择器：返回的是列表
'''
# 1、获取标签
print(soup.select('.element'))
print(soup.select('#link3'))
# 2、获取标签的属性
soup.select('#link3')[0].attrs
# 3、获取标签的内容
soup.select('#link3')[0].get_text()

三国演义小说爬取案例：

# -*-coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
import lxml
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
}
req=requests.get('http://www.shicimingju.com/book/sanguoyanyi.html',headers=headers)
soup=BeautifulSoup(req.text,'lxml')
li_list=soup.select('.book-mulu > ul > li > a')

for li in li_list:
    url='http://www.shicimingju.com'+li['href']
    title = li.string
    req_detail=requests.get(url,headers=headers)
    soup_detail=BeautifulSoup(req_detail.text,'lxml')
    detail_text=soup_detail.find('div',class_='chapter_content').text
    file_name=title+'.txt'
    with open(file_name,'w',encoding='utf-8') as f:
        f.write(detail_text)
        print(title+'   加载完毕')

 爬肯德基餐厅信息（ajax请求，是post请求，返回的是数据）

# -*-coding:utf-8 -*-
import requests
import json
url='http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
}
# word=input(">>:")
data={
    'cname': '',
    'pid': '',
    'keyword': '普宁',
    'pageIndex': 1,
    'pageSize': 10,
      }
res=requests.post(url,data=data,headers=headers)
print(res.json())