python爬虫之html解析Beautifulsoup和Xpath

Beautiifulsoup

Beautiful Soup 是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。
Beautiifulsoup:python语言写的
re:C语言写的
lxml：C语言写的

速度最快的是正则，其次是lxml,最后是Beautifulsoup

安装：
pip install Beautiifulsoup4


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

(1)Tag

Tag 通俗点讲就是 HTML 中的一个个标签。

from bs4 import Beautiifulsoup
html = """
<html><head><title>The Dormouse's story</title></head>


<body>




<p class="title" name="dromouse"><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> and




<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>




"""






print(soup.p)
# <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

print(type(soup.p))
# <class 'bs4.element.Tag'>




我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。对于 Tag，它有两个重要的属性，是 name 和 attrs.




print(soup.name)
# [document] soup 对象本身比较特殊，它的 name 即为 [document]
print(soup.head.name)
# head 对于其他内部标签，输出的值便为标签本身的名称
print(soup.p.attrs)
# {'class': ['title'], 'name': 'dromouse'}
print(soup.p['class'])  # 取出标签的属性
print(soup.p.get('class')  # 取出标签的属性,找不到返回None
# ['title']
print(soup.a.text) #等于print(soup.a.get_text()) 取出标签下的文本内容




(2) NavigableString


NavigableString简单来讲就是一个可以遍历的字符串。


例如:




print(soup.p.string)
# The Dormouse's story
print(type(soup.p.string))
#  <class 'bs4.element.NavigableString'>




（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，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下




print type(soup.name)
#<type 'unicode'>
print soup.name 
# [document]
print soup.attrs 
#{} 空字典




（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。


我们找一个带注释的标签




print soup.a
print soup.a.string
print type(soup.a.string)




运行结果如下




<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 Elsie 
<class 'bs4.element.Comment'>




a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。


另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下



搜索文档


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。
使用find_all等类似的方法可以查找想要的文档内容。
在介绍find_all方法之前，先介绍一下过滤器的类型。


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,BeautifulSoup会查找与字符串完整匹配的内容。


例如:




from bs4 import BeautifulSoup
soup = Beautiifulsoup(html,'lxml')
soup.find_all('a') #匹配所有的a标签
soup.find_all('a',attrs={'class':'tittle'}) #匹配所有class为tittle的a标签 等于soup.find_all('a',class_='tittle')




正则表达式


find_all方法可以接受正则表示式作为参数，BeautifulSoup会通过match方法来匹配内容。




#匹配以b开头的标签
for tag in soup.find_all(re.compile('^b')):
    print(tag.name)
#  body  b
#匹配包含t的标签
for tag in soup.find_all(re.compile('t')):
    print(tag.name)
# html  title




列表


find_all方法也能接受列表参数，BeautifulSoup会将与列表中任一元素匹配的内容返回。




#查找a标签和b标签
for tag in soup.find_all(['a','b']):
    print(tag.name)
# b a a a




方法


find_all方法也能接受列表参数，BeautifulSoup会将与列表中任一元素匹配的内容返回。




#匹配包含class属性，但是不包括id属性的标签。
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

print([tag.name for tag in soup.find_all(has_class_but_no_id)])
# ['p','p','p']




css选择器


这就是另一种与 find_all 方法有异曲同工之妙的查找方法.


    

  • 

    写 CSS 时，标签名不加任何修饰，类名前加.，id名前加#
    

    • 

  • 

    在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
    

    • 



1.通过标签名查找




print(soup.select('title'))
#[<title>The Dormouse's story</title>]

print(soup.select('a'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print(soup.select('b'))
#[<b>The Dormouse's story</b>]




2.通过类名查找




print(soup.select('.sister'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]




3.通过 id 名查找




print(soup.select('#link1'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]




4.组合查找


组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开




print(soup.select('p #link1'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
直接子标签查找，则使用 > 分隔

print(soup.select("head > title"))
#[<title>The Dormouse's story</title>]




5.属性查找


查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。




print(soup.select('a[class="sister"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print(soup.select('a[href="http://example.com/elsie"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print(soup.select('p a[href="http://example.com/elsie"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]




6.获取内容


以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。




soup = BeautifulSoup(html, 'lxml')
print(type(soup.select('title')))
print(soup.select('title')[0].get_text())

for title in soup.select('title'):
    print(title.get_text())




总结：




通过tag标签逐层查找:
soup.select("body a")
找到某个tag标签下的直接子标签
soup.select("head > title")
通过CSS的类名查找:
soup.select(".sister")
通过tag的id查找:
soup.select("#link1")
通过是否存在某个属性来查找:
soup.select('a[href]')
通过属性的值来查找:
soup.select('a[href="http://example.com/elsie"]')
获取内容
soup.select(a #link1)[0].get_text()




XPATH


xpath也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。并且在爬虫框架scrapy中应用广泛。


安装：


pip install lxml


xpath主要语法


选取节点






/　　　　
从根节点选取,假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！




//
从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置，若以//开头，表示在全局搜索




.
选取当前节点




..
选取当前节点的父节点




@
选取属性




*
匹配任何元素节点






 


 


 


 


 


 


例如：






bookstore
选取 bookstore 元素的所有子节点。




/bookstore


选取根元素 bookstore。


注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！






bookstore/book
选取属于 bookstore 的子元素的所有 book 元素。




//book
选取所有 book 子元素，而不管它们在文档中的位置。




bookstore//book
选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。




//@lang
选取名为 lang 的所有属性。






 


 


 


 


 


 


 


 


谓语（Predicates）


谓语用来查找某个特定的节点或者包含某个指定的值的节点。


谓语被嵌在方括号中。


在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：






/bookstore/book[1]
选取属于 bookstore 子元素的第一个 book 元素。




/bookstore/book[last()]
选取属于 bookstore 子元素的最后一个 book 元素。




/bookstore/book[last()-1]
选取属于 bookstore 子元素的倒数第二个 book 元素。




/bookstore/book[position()<3]
选取最前面的两个属于 bookstore 元素的子元素的 book 元素。




//title[@lang]
选取所有拥有名为 lang 的属性的 title 元素。




//title[@lang='eng']
选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。




/bookstore/book[price>35.00]
选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。




/bookstore/book[price>35.00]/title
选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。






 


 


 


 


 


 


 


 


选取未知节点


XPath 通配符可用来选取未知的 元素。






/bookstore/*
选取 bookstore 元素的所有子元素。




//*
选取文档中的所有元素。




//title[@*]
选取所有带有属性的 title 元素。






 


 


 


选取若干路径


通过在路径表达式中使用"|"运算符，您可以选取若干个路径。


在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：






//book/title | //book/price
选取 book 元素的所有 title 和 price 元素。




//title | //price
选取文档中的所有 title 和 price 元素。




/bookstore/book/title | //price
选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。






 


 


 


补充：div.xpath('string(.)') 选取div下面的所有文本


 


案例：在百度搜索python，提取出搜索结果中的网站的超链接和标题。如图，提取下面红框标记部分的链接和文本。




 


代码1：Beautifulsoup实现






import requests
from bs4 import BeautifulSoup


def get_response():
    '''
    :return:爬取需要的数据，在本例中就是百度搜索python结果的网页源代码
    '''
    url = 'http://www.baidu.com/s?wd=python'
    html = requests.get(url).text
    return html


def parse():
    info = {}
    soup = BeautifulSoup(get_response(),'lxml')
    nodelist = soup.find_all('div',class_='result c-container ') # 分析页面源码，所有的信息保存在类名为'result c-container '的div下面
    for node in nodelist:
        href = node.select('h3 > a')[0].get('href')  # 注意select得到的结果是个列表
        title = node.select('h3 > a')[0].text  # get_text() 和text 都会得到标签下所有的文本
        info[title] = href
    return info


if __name__ == '__main__':
    print(parse())



View Code


代码2：xpath实现






import requests
from lxml import etree


def get_response():
    url = 'http://www.baidu.com/s?wd=python'
    html = requests.get(url).text
    return html


def parse():
    info = {}
    e = etree.HTML(get_response())
    nodelist = e.xpath('//div[@class="result c-container "]')
    for node in nodelist:
        href = node.xpath('./h3/a/@href')[0]
        # title = ''.join(node.xpath('./h3/a/text()')) # 用/text()得到该标签下的文本，但是会按照标签隔开以列表形式保存,尝试用join拼接
        # title = node.xpath('./h3/a')[0].text  # 用text也只能得到该标签的文本，不包含子标签及子标签后面的文本,适用于精确定位
        title = node.xpath('./h3/a')[0].xpath('string(.)')  # 用xpath('string(.)')得到该标签下的所有文本
        info[title] = href
    return info


if __name__ == '__main__':
    print(parse())



View Code


 






            

            
posted @ 
2018-07-02 23:41 
purplelavender 
阅读(687) 
评论(0) 
编辑 
收藏 
举报