Python 爬蟲之 BeautifulSoup

來源：chenjiabing666

chenjiabing666.github.io/2017/04/29/python爬蟲之BeautifulSoup/

簡介

Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，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、html6lib一樣出色的python解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。

安裝

pip installBeautifulSoup4

或

easy_installBeautifulSoup4

創建BeautifulSoup對象

首先應該導入BeautifulSoup類庫

from bs4 import BeautifulSoup

下面開始創建對像，在開始之前為了方便演示，先創建一個html文本，如下：

html="""

The Dormouse s story

The Dormouse s story

Once upon a time there were three little sisters; and their names were

,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

創建對象：soup=BeautifulSoup(html,』lxml』),這裡的lxml是解析的類庫，目前來說個人覺得最好的解析器了，一直在用這個，安裝方法：

pip install lxml

Tag

Tag就是html中的一個標籤，用BeautifulSoup就能解析出來Tag的具體內容，具體的格式為soup.name,其中name是html下的標籤，具體實例如下：

printsoup.title# 輸出title標籤下的內容，包括此標籤，這個將會輸出The Dormouse s story

printsoup.head

注意：

這裡的格式只能獲取這些標籤的第一個，後面會講到獲取多個標籤的方法。其中對於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：

get

string

得到標籤下的文本內容，只有在此標籤下沒有子標籤，或者只有一個子標籤的情況下才能返回其中的內容，否則返回的是None具體實例如下：

get_text()

可以獲得一個標籤中的所有文本內容，包括子孫節點的內容，這是最常用的方法

搜索文檔樹

find_all( name , attrs , recursive , text , **kwargs )

find_all是用於搜索節點中所有符合過濾條件的節點

1. name參數：是Tag的名字，如p,div,title …..

soup.find_all("p") 查找所有的p標籤，返回的是[The Dormouse s story]，可以通過遍歷獲取每一個節點，如下：

ps=soup.find_all("p")

forpinps:

printp.get( class )#得到p標籤下的class屬性

傳入正則表達式：soup.find_all(re.compile(r』^b』)查找以b開頭的所有標籤，這裡的body和b標籤都會被查到

傳入類列表：如果傳入列表參數,BeautifulSoup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標籤和標籤

soup.find_all(["a", "b"])

2. KeyWords參數，就是傳入屬性和對應的屬性值，或者一些其他的表達式

soup.find_all(id= link2 ),這個將會搜索找到所有的id屬性為link2的標籤。傳入正則表達式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達式的標籤

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籤，這裡的class必須用class_傳入參數，因為class是python中的關鍵詞

有些屬性不能通過以上方法直接搜索，比如html5中的data-*屬性，不過可以通過attrs參數指定一個字典參數來搜索包含特殊屬性的標籤，如下：

# [

foo!

]

data_soup.find_all(attrs={"data-foo":"value"})#注意這裡的atts不僅能夠搜索特殊屬性，亦可以搜索普通屬性

soup.find_all("p",attrs={ class : title , id : value })#相當與soup.find_all( p ,class_= title ,id= value )

3. text參數：通過 text 參數可以搜搜文檔中的字元串內容.與 name 參數的可選值一樣, text 參數接受 字元串 , 正則表達式 , 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"]

4. limit參數：find_all() 方法返回全部的搜索結構,如果文檔樹很大那麼搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量,代碼如下：

soup.find_all("a",limit=2)

# [Elsie,

# Lacie]

5. recursive 參數:調用tag的 find_all() 方法時,BeautifulSoup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False

find( name , attrs , recursive , text , **kwargs )

它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果,就是直接返回第一匹配到的元素，不是列表，不用遍歷，如soup.find("p").get("class")

通過標籤名查找

printsoup.select( title )

#[The Dormouse s story]

printsoup.select( a )

#[, Lacie, Tillie]

通過類名查找

printsoup.select( .sister )

#[, Lacie, Tillie]

通過id名查找

printsoup.select( #link1 )

#[]

組合查找

學過 css 的都知道 css 選擇器，如 p #link1 是查找 p 標籤下的 id 屬性為 link1 的標籤

printsoup.select( p #link1 )#查找p標籤中內容為id屬性為link1的標籤

#[]

printsoup.select("head > title")#直接查找子標籤

#[The Dormouse s story]

屬性查找

查找時還可以加入屬性元素，屬性需要用中括弧括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到。

printsoup.select( a[class="sister"] )

#[, Lacie, Tillie]

printsoup.select( a[href="http://example.com/elsie"] )

#[]

同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格,代碼如下：

printsoup.select( p a[href="http://example.com/elsie"] )

#[]

以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然後用 get_text() 方法來獲取它的內容

soup=BeautifulSoup(html, lxml )

printtype(soup.select( title ))

printsoup.select( title )[].get_text()

fortitleinsoup.select( title ):

printtitle.get_text()

看完本文有收穫？請轉發分享給更多人

關注「Python開發者」，提升Python技能

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！