Python爬蟲 --- 1.3 BS4庫的解析器
點擊上方「
Python開發
」，選擇「置頂公眾號」
關鍵時刻，第一時間送達！
作者：緣來
鏈接：https://www.jianshu.com/p/cd2814609e50
Python開發整理髮布，轉載請聯繫作者獲得授權
bs4庫之所以能快速的定位我們想要的元素，是因為他能夠用一種方式將html文件解析了一遍 ，不同的解析器有不同的效果。下文將一一進行介紹。
bs4解析器的選擇
網路爬蟲的最終目的就是過濾選取網路信息，最重要的部分可以說是解析器。解析器的優劣決定了爬蟲的速度和效率。bs4庫除了支持我們上文用過的『html.parser』解析器外，還支持很多第三方的解析器，下面我們來對他們進行對比分析。
bs4庫官方推薦我們使用的是lxml解析器， 原因是它具有更高的效率，所以我們也將採用lxml解析器。
lxml解析器的安裝：
依舊採用pip安裝工具來安裝：
pip install lxml
注意，由於我用的是unix類系統，用pip工具十分的方便，但是如果在windows下安裝，總是會出現這樣或者那樣的問題，這裡推薦win用戶去lxml官方，下載安裝包，來安裝適合自己系統版本的lxml解析器。
我們依舊以上一篇的 愛麗絲文檔 為例子
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> 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>
"""
試一下吧：
import bs4
#首先我們先將html文件已lxml的方式做成一鍋湯
soup = bs4.BeautifulSoup(open("Beautiful Soup 爬蟲/demo.html"),"lxml")
#我們把結果輸出一下，是一個很清晰的樹形結構。
#print(soup.prettify())
"""
OUT:
<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 class="sister" href="http://example.com/elsie" id="link1">
Elsie
</a>
,
<a class="sister" href="http://example.com/lacie" id="link2">
Lacie
</a>
and
<a class="sister" href="http://example.com/tillie" id="link3">
Tillie
</a>
;
and they lived at the bottom of a well.
</p>
<p class="story">
...
</p>
</body>
</html>
"""
如何具體的使用？
bs4 庫首先將傳入的字元串或文件句柄轉換為 Unicode的類型，這樣，我們在抓取中文信息的時候，就不會有很麻煩的編碼問題了。當然，有一些生僻的編碼 如：『big5』，就需要我們手動設置編碼：
soup = BeautifulSoup(markup, from_encoding=」編碼方式」)
對象的種類：
bs4 庫將複雜的html文檔轉化為一個複雜的樹形結構，每個節點都是Python對象 ，所有對象可以分為以下四個類型：Tag , NavigableString , BeautifulSoup , Comment
我們來逐一解釋：
Tag： 和html中的Tag基本沒有區別，可以簡單上手使用
NavigableString： 被包裹在tag內的字元串
BeautifulSoup： 表示一個文檔的全部內容，大部分的時候可以吧他看做一個tag對象，支持遍歷文檔樹和搜索文檔樹方法。
Comment：這是一個特殊的NavigableSting對象，在出現在html文檔中時，會以特殊的格式輸出，比如注釋類型。
搜索文檔樹的最簡單的方法就是搜索你想獲取tag的的name：
soup.head
# <head><title>The Dormouse"s story</title></head>
soup.title
# <title>The Dormouse"s story</title>
如果你還想更深入的獲得更小的tag：例如我們想找到body下的被b標籤包裹的部分
soup.body.b
# <b>The Dormouse"s story</b>
但是這個方法只能找到按順序第一個出現的tag
獲取所有的標籤呢？
這個時候需要find_all()方法，他返回一個列表類型
tag=soup.find_all("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>]
#假設我們要找到a標籤中的第二個元素：
need = tag[1]
#簡單吧
tag的.contents屬性可以將tag的子節點以列表的方式輸出：
head_tag = soup.head
head_tag
# <head><title>The Dormouse"s story</title></head>
head_tag.contents
[<title>The Dormouse"s story</title>]
title_tag = head_tag.contents[0]
print(title_tag)
# <title>The Dormouse"s story</title>
title_tag.contents
# [u"The Dormouse"s story"]
另外通過tag的 .children生成器，可以對tag的子節點進行循環：
for child in title_tag.children:
print(child)
# The Dormouse"s story
這種方式只能遍歷出子節點。如何遍歷出子孫節點呢？
子孫節點：比如 head.contents 的子節點是,這裡 title本身也有子節點：『The Dormouse『s story』 。這裡的『The Dormouse『s story』也叫作head的子孫節點
for child in head_tag.descendants:
print(child)
# <title>The Dormouse"s story</title>
# The Dormouse"s story
如何找到tag下的所有的文本內容呢？
1、如果該tag只有一個子節點（NavigableString類型）：直接使用tag.string就能找到。
2、如果tag有很多個子、孫節點，並且每個節點裡都string：
我們可以用迭代的方式將其全部找出：
for string in soup.strings:
print(repr(string))
# u"The Dormouse"s story"
# u"
"
# u"The Dormouse"s story"
# u"
"
# u"Once upon a time there were three little sisters; and their names were
"
# u"Elsie"
# u",
"
# u"Lacie"
# u" and
"
# u"Tillie"
# u";
and they lived at the bottom of a well."
# u"
"
# u"..."
# u"
"
好了，關於bs4庫的基本使用，我們就先介紹到這。剩下來的部分：
父節點、兄弟節點、回退和前進，都與上面從子節點找元素的過程差不多
【點擊成為Java大神】
TAG:Python開發 |