爬虫解析库之bs4模块
爬虫解析库之bs4模块
Beautiful Soup4
是一个可以从HTML或XML文件中提取数据的python库。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，可以帮你节省数小时甚至数天的工作时间。
模块下载
pip3 install beautifulsoup4
配套解析器下载
pip3 install lxml
from bs4 import BeautifulSoup
# 构造一个网页数据
html_doc = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="title">
<b>The Dormouse's story</b>
</p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>
</html>
"""
# 1.构造一个bs4解析器对象
soup = BeautifulSoup(html_doc, 'lxml')
# 2.利用对象的内置方法完成一系列操作
'''必须要掌握'''
# print(soup.a) # 从上往下的第一个a标签 soup.标签名称
# print(soup.p.text) # 获取标签内部的文本 包含内部所有的后代标签文本
# print(soup.a.attrs) # 获取标签内部所有的属性 字典数据类型
# print(soup.a.attrs.get('href'))
# print(soup.a.get('href')) # 可以简写 省略attrs参数
'''了解即可'''
# print(soup.p.children) # 获取标签内部所有的子标签 需要循环取值才可以拿到
# print(soup.p.contents) # 获取标签内部所有的元素 了解即可
# print(soup.p.parent) # 获取标签的父标签
# print(soup.p.parents) # 获取标签的所有祖先标签
bs4核心操作
# 1.find方法 缺陷:只能找符合条件的第一个 该方法的返回结果是一个标签对象
# print(soup.find(name='a')) # 查找指定标签名的标签 默认只找符合条件的第一个
# print(soup.find(name='a',id='link2')) # 查找具有某个特定属性的标签 默认只找符合条件的第一个
# print(soup.find(name='p', class_='title')) # 为了解决关键字冲突 会加下划线区分
# print(soup.find(name='p', attrs={'class': 'title'})) # 还可以使用attrs参数 直接避免冲突
# print(soup.find(name='a', attrs={'id': 'link3'})) # 还可以使用attrs参数 直接避免冲突
# print(soup.find(name='a', attrs={'class': 'c1'})) # class属性查找属于成员运算 有就行
# print(soup.find(attrs={'class': 'c1'})) # name参数不写则表示查找所有符合后续条件的标签
# 2.find_all方法 优势:查找所有符合条件的标签 该方法的返回结果是一个列表
# print(soup.find_all('a')) # name字段可以省略 查找的结果是一个列表
### find_all()使用方式与find一致 知识结果数量不一样而已
# 3.select方法 需要使用css选择器 该方法的返回结果是一个列表
"""
<p></p>
<div>
<a></a>
<p>
<a></a>
</p>
<div><p></p></div>
</div>
<p></p>
<p></p>
1.标签选择器
直接书写标签名即可
2.id选择器
#d1 相当于写了 id='d1'
3.class选择器
.c1 相当于写了 class=c1
4.儿子选择器(大于号) 选择器可以混合使用
div>p 查找div标签内部所有的儿子p
5.后代选择器(空格) 选择器可以混合使用
div p 查找div标签内部所有的后代p
"""
print(soup.select('.title')) # 查找class含有title的标签
# print(soup.select('.sister span')) # 查看class含有sister标签内部所有的后代span
# print(soup.select('#link1')) # 查找id等于link1的标签
# print(soup.select('#link1 span')) # 查找id等于link1标签内部所有的后代span
# print(soup.select('#list-2 .element')) # 查找id等于list-2标签内部所有class为element的标签
# print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了
需求:获取红牛所有分公司详细数据(名称 地址 邮箱 电话)
1.查找数据加载方式 得知是直接加载的
2.朝该网页发送请求获取页面数据之后筛选即可
import requests
from bs4 import BeautifulSoup
# 1.发送get请求获取页面内容
res = requests.get('http://www.redbull.com.cn/about/branch')
# 2.解析页面数据
soup = BeautifulSoup(res.text, 'lxml')
# 3.研究标签特性 精确查找
# 分公司名称数据
h2_tag_list = soup.find_all('h2') # 查找到所有的h2标签对象
# for tag in h2_tag_list:
# print(tag.text)
# 使用列表生成式
title_list = [tag.text for tag in h2_tag_list]
# 分公司地址数据
p1_tag_list = soup.find_all(name='p', attrs={'class': 'mapIco'})
# for tag in p_tag_list:
# print(tag.text)
# 使用列表生成式
addr_list = [tag.text for tag in p1_tag_list]
# 分公司邮箱数据
p2_tag_list = soup.find_all(name='p', attrs={'class': 'mailIco'})
# for tag in p2_tag_list:
# print(tag.text)
email_list = [tag.text for tag in p2_tag_list]
# 分公司电话数据
p3_tag_list = soup.find_all(name='p', attrs={'class': 'telIco'})
# for tag in p3_tag_list:
# print(tag.text)
phone_list = [tag.text for tag in p3_tag_list]
for i in range(len(title_list)):
print("""
公司名称:%s
公司地址:%s
公司邮箱:%s
公司电话:%s
""" % (title_list[i], addr_list[i], email_list[i], phone_list[i]))
