python爬虫学习笔记(八)-数据提取之Beautiful Soup的使用
1. Beautiful Soup的简介
Beautiful Soup提供一些简单的、python式的函数用来处理导航、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，Beautiful Soup就不能自动识别编码方式了。然后，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
官网http://beautifulsoup.readthedocs.io/zh_CN/latest/
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4
pip install beautifulsoup4
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, “html.parser”) | 1. Python的内置标准库 2. 执行速度适中 3.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”) | 1. 速度快 2.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”) | 1. 速度快 2.唯一支持XML的解析器 3.需要安装C语言库 | |
| html5lib | BeautifulSoup(markup, “html5lib”) | 1. 最好的容错性 2.以浏览器的方式解析文档 3.生成HTML5格式的文档 4.速度慢 | 不依赖外部扩展 |
3. 创建 Beautiful Soup 对象
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"lxml")
4. 四大对象种类
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
4.1 Tag 是什么？通俗点讲就是 HTML 中的一个个标签
例如：<div> <title>
使用方式：
#以以下代码为例子
<title>sss</title>
<div class='info' float='left'>Welcome to SXT</div>
<div class='info' float='right'>
<span>Good Good Study</span>
<a href='www.bjsxt.cn'></a>
<strong><!--没用--></strong>
</div>
4.1.1 获取标签
#以lxml方式解析
soup = BeautifulSoup(info, 'lxml')
print(soup.title)
# <title>bs</title>
注意
相同的标签只能获取第一个符合要求的标签
4.1.2 获取属性：
#获取所有属性
print(soup.title.attrs)
#class='info' float='left'
#获取单个属性的值
print(soup.div.get('class'))
print(soup.div['class'])
print(soup.a['href'])
#info
4.2 NavigableString 获取内容
print(soup.title.string)
print(soup.title.text)
4.3 BeautifulSoup
BeautifulSoup 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,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法.
因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name
print(soup.name)
print(soup.head.name)
# [document]
# head
4.4 Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦
if type(soup.strong.string)==Comment:
print(soup.strong.prettify())
else:
print(soup.strong.string)
5 搜索文档树
Beautiful Soup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似,请同学们举一反三
5.1 过滤器
介绍 find_all() 方法前,先介绍一下过滤器的类型 ,这些过滤器贯穿整个搜索的API.过滤器可以被用在tag的name中,节点的属性中,字符串中或他们的混合中
5.1.1 字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的
标签
#返回所有的div标签
print(soup.find_all('div'))
如果传入字节码参数,Beautiful Soup会当作UTF-8编码,可以传入一段Unicode 编码来避免Beautiful Soup解析编码出错
5.1.2 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
#返回所有的div标签
print (soup.find_all(re.compile("^div")))
5.1.3 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
#返回所有匹配到的span a标签
print(soup.find_all(['span','a']))
5.1.4 keyword
如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
#返回id为welcom的标签
print(soup.find_all(id='welcom'))
5.1.4 True
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
5.1.5 按CSS搜索
按照CSS类名搜索tag的功能非常实用,但标识CSS类名的关键字 class 在Python中是保留字,使用 class 做参数会导致语法错误.从Beautiful Soup的4.1.1版本开始,可以通过 class_ 参数搜索有指定CSS类名的tag
# 返回class等于info的div
print(soup.find_all('div',class_='info'))
5.1.6 按属性的搜索
soup.find_all("div", attrs={"class": "info"})
6. CSS选择器（扩展）
soup.select(参数)
| 表达式 | 说明 |
|---|---|
| tag | 选择指定标签 |
| * | 选择所有节点 |
| #id | 选择id为container的节点 |
| .class | 选取所有class包含container的节点 |
| li a | 选取所有li下的所有a节点 |
| ul + p | (兄弟)选择ul后面的第一个p元素 |
| div#id > ul | (父子)选取id为id的div的第一个ul子元素 |
| table ~ div | 选取与table相邻的所有div元素 |
| a[title] | 选取所有有title属性的a元素 |
| a[class=”title”] | 选取所有class属性为title值的a |
| a[href*=”sxt”] | 选取所有href属性包含sxt的a元素 |
| a[href^=”http”] | 选取所有href属性值以http开头的a元素 |
| a[href$=”.png”] | 选取所有href属性值以.png结尾的a元素 |
| input[type="redio"]:checked | 选取选中的hobby的元素 |
