python爬蟲之BeautifulSoup
簡介
Beautiful Soup提供一些簡單的、python式的函數(shù)用來處理導(dǎo)航、搜索刷后、修改分析樹等功能吃靠。它是一個工具箱硫眨，通過解析文檔為用戶提供需要抓取的數(shù)據(jù)，因為簡單巢块，所以不需要多少代碼就可以寫出一個完整的應(yīng)用程序礁阁。Beautiful Soup自動將輸入文檔轉(zhuǎn)換為Unicode編碼巧号，輸出文檔轉(zhuǎn)換為utf-8編碼。你不需要考慮編碼方式氮兵，除非文檔沒有指定一個編碼方式裂逐，這時，Beautiful Soup就不能自動識別編碼方式了泣栈。然后卜高，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml南片、html6lib一樣出色的python解釋器掺涛，為用戶靈活地提供不同的解析策略或強勁的速度。
安裝
pip install BeautifulSoup4easy_install BeautifulSoup4
創(chuàng)建BeautifulSoup對象
- 首先應(yīng)該導(dǎo)入
BeautifulSoup類庫from bs4 import BeautifulSoup
- 下面開始創(chuàng)建對像疼进，在開始之前為了方便演示薪缆，先創(chuàng)建一個
html文本，如下：
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 class="sister" id="link1"><!-- Elsie --></a>,
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
- 創(chuàng)建對象：
soup=BeautifulSoup(html,'lxml'),這里的lxml是解析的類庫伞广，目前來說個人覺得最好的解析器了拣帽，一直在用這個，安裝方法：pip install lxml
Tag
Tag就是html中的一個標(biāo)簽嚼锄，用BeautifulSoup就能解析出來Tag的具體內(nèi)容减拭，具體的格式為soup.name,其中name是html下的標(biāo)簽，具體實例如下：
print soup.title輸出title標(biāo)簽下的內(nèi)容区丑，包括此標(biāo)簽拧粪，這個將會輸出<title>The Dormouse's story</title>
print soup.head
注意：
這里的格式只能獲取這些標(biāo)簽的第一個，后面會講到獲取多個標(biāo)簽的方法沧侥。其中對于
Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下：
name:對于Tag可霎，它的name就是其本身，如soup.p.name就是p
attrs是一個字典類型的宴杀，對應(yīng)的是屬性-值癣朗，如print soup.p.attrs,輸出的就是{'class': ['title'], 'name': 'dromouse'},當(dāng)然你也可以得到具體的值，如print soup.p.attrs['class'],輸出的就是[title]是一個列表的類型旺罢，因為一個屬性可能對應(yīng)多個值,當(dāng)然你也可以通過get方法得到屬性的斯棒，如：print soup.p.get('class')。還可以直接使用print soup.p['class']
get
get方法用于得到標(biāo)簽下的屬性值主经，注意這是一個重要的方法荣暮，在許多場合都能用到，比如你要得到標(biāo)簽下的圖像url,那么就可以用soup.img.get('src'),具體解析如下：
print soup.p.get("class") #得到第一個p標(biāo)簽下的src屬性
string
得到標(biāo)簽下的文本內(nèi)容罩驻，只有在此標(biāo)簽下沒有子標(biāo)簽穗酥，或者只有一個子標(biāo)簽的情況下才能返回其中的內(nèi)容，否則返回的是
None具體實例如下：
print soup.p.string #在上面的一段文本中p標(biāo)簽沒有子標(biāo)簽，因此能夠正確返回文本的內(nèi)容
print soup.html.string #這里得到的就是None,因為這里的html中有很多的子標(biāo)簽
get_text()
可以獲得一個標(biāo)簽中的所有文本內(nèi)容砾跃，包括子孫節(jié)點的內(nèi)容骏啰，這是最常用的方法
搜索文檔樹
find_all( name , attrs , recursive , text , **kwargs )
find_all是用于搜索節(jié)點中所有符合過濾條件的節(jié)點
name參數(shù)：是Tag的名字，如p,div,title.....
soup.find_all("p")查找所有的p標(biāo)簽抽高，返回的是[<b>The Dormouse's story</b>]判耕，可以通過遍歷獲取每一個節(jié)點，如下：
ps=soup.find_all("p")
for p in ps:
print p.get('class') #得到p標(biāo)簽下的class屬性
- 傳入正則表達(dá)式：
soup.find_all(re.compile(r'^b')查找以b開頭的所有標(biāo)簽翘骂，這里的body和b標(biāo)簽都會被查到
- 傳入類列表：如果傳入列表參數(shù),
BeautifulSoup會將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有<a>標(biāo)簽和<b>標(biāo)簽
soup.find_all(["a", "b"])
KeyWords參數(shù)壁熄，就是傳入屬性和對應(yīng)的屬性值，或者一些其他的表達(dá)式
soup.find_all(id='link2'),這個將會搜索找到所有的id屬性為link2的標(biāo)簽碳竟。傳入正則表達(dá)式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達(dá)式的標(biāo)簽- 傳入多個值：
soup.find_all(id='link2',class_='title'),這個將會查找到同時滿足這兩個屬性的標(biāo)簽草丧，這里的class必須用class_傳入?yún)?shù)，因為class是python中的關(guān)鍵詞
- 有些屬性不能通過以上方法直接搜索莹桅，比如
html5中的data-*屬性昌执，不過可以通過attrs參數(shù)指定一個字典參數(shù)來搜索包含特殊屬性的標(biāo)簽，如下：
# [<div data-foo="value">foo!</div>]
data_soup.find_all(attrs={"data-foo": "value"}) #注意這里的atts不僅能夠搜索特殊屬性诈泼，亦可以搜索普通屬性
soup.find_all("p",attrs={'class':'title','id':'value'}) #相當(dāng)與soup.find_all('p',class_='title',id='value')
- text參數(shù)：通過 text 參數(shù)可以搜搜文檔中的字符串內(nèi)容.與
name參數(shù)的可選值一樣,text參數(shù)接受 字符串 , 正則表達(dá)式 , 列表,True
soup.find_all(text="Elsie")
# [u'Elsie']
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
limit參數(shù)：find_all()方法返回全部的搜索結(jié)構(gòu),如果文檔樹很大那么搜索會很慢.如果我們不需要全部結(jié)果,可以使用limit參數(shù)限制返回結(jié)果的數(shù)量.效果與SQL中的limit關(guān)鍵字類似,當(dāng)搜索到的結(jié)果數(shù)量達(dá)到limit的限制時,就停止搜索返回結(jié)果.
文檔樹中有
3個tag符合搜索條件,但結(jié)果只返回了2個,因為我們限制了返回數(shù)量,代碼如下：
soup.find_all("a", limit=2)
# [<a class="sister" id="link1">Elsie</a>,
# <a class="sister" id="link2">Lacie</a>]
recursive參數(shù):調(diào)用tag的find_all()方法時,BeautifulSoup會檢索當(dāng)前tag的所有子孫節(jié)點,如果只想搜索tag的直接子節(jié)點,可以使用參數(shù)recursive=False
find( name , attrs , recursive , text , **kwargs )
它與
find_all()方法唯一的區(qū)別是find_all()方法的返回結(jié)果是值包含一個元素的列表,而find()方法直接返回結(jié)果,就是直接返回第一匹配到的元素懂拾，不是列表，不用遍歷铐达，如soup.find("p").get("class")
css選擇器
我們在寫
CSS時岖赋，標(biāo)簽名不加任何修飾，類名前加點娶桦，id名前加#贾节，在這里我們也可以利用類似的方法來篩選元素汁汗，用到的方法是soup.select()衷畦，返回類型是list
通過標(biāo)簽名查找
print soup.select('title')
#[<title>The Dormouse's story</title>]
print soup.select('a')
#[<a class="sister" id="link1"><!-- Elsie --></a>, <a class="sister" id="link2">Lacie</a>, <a class="sister" id="link3">Tillie</a>]
通過類名查找
print soup.select('.sister')
#[<a class="sister" id="link1"><!-- Elsie --></a>, <a class="sister" id="link2">Lacie</a>, <a class="sister" id="link3">Tillie</a>]
通過id名查找
print soup.select('#link1')
#[<a class="sister" id="link1"><!-- Elsie --></a>]
組合查找
學(xué)過
css的都知道css選擇器，如p #link1是查找p標(biāo)簽下的id屬性為link1的標(biāo)簽
print soup.select('p #link1') #查找p標(biāo)簽中內(nèi)容為id屬性為link1的標(biāo)簽
#[<a class="sister" id="link1"><!-- Elsie --></a>]
print soup.select("head > title") #直接查找子標(biāo)簽
#[<title>The Dormouse's story</title>]
屬性查找
查找時還可以加入屬性元素知牌，屬性需要用中括號括起來祈争，注意屬性和標(biāo)簽屬于同一節(jié)點，所以中間不能加空格角寸，否則會無法匹配到菩混。
print soup.select('a[class="sister"]')
#[<a class="sister" id="link1"><!-- Elsie --></a>, <a class="sister" id="link2">Lacie</a>, <a class="sister" id="link3">Tillie</a>]
print soup.select('a[)
#[<a class="sister" id="link1"><!-- Elsie --></a>]
同樣，屬性仍然可以與上述查找方式組合扁藕，不在同一節(jié)點的空格隔開沮峡，同一節(jié)點的不加空格,代碼如下：
print soup.select('p a[)
#[<a class="sister" id="link1"><!-- Elsie --></a>]
以上的
select方法返回的結(jié)果都是列表形式，可以遍歷形式輸出亿柑，然后用get_text()方法來獲取它的內(nèi)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()
