初学者做网站已备案域名购买平台
文章目录
- 一、Beautiful Soup的简介
- 1、BeautifulSoup安装
- 2、解析工具对比
- 二、BeautifulSoup的使用
- 1、解析器
- 2、搜索⽂档树
- 3、CSS常⽤选择器介绍
- 4、select和css选择器提取元素
- 5、BeautifulSoup4四大对象种类
- 遍历文档树
一、Beautiful Soup的简介
Beautiful Soup是python的⼀个库，最主要的功能是从⽹⻚抓取数据,官⽅解释如下：
- Beautiful Soup提供⼀些简单的、python式的函数⽤来处理导航、搜索、修改分析树等功能。它是⼀个⼯具箱，通过解析⽂档为⽤户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出⼀个完整的应⽤程序。
- Beautiful Soup⾃动将输⼊⽂档转换为Unicode编码，输出⽂档转换为utf-8编码。你不需要考虑编码⽅式，除⾮⽂档没有指定⼀个编码⽅式，这时，Beautiful Soup就不能⾃动识别编码⽅式了。然后，你仅仅需要说明⼀下原始编码⽅式就可以了。
- Beautiful Soup已成为和lxml⼀样出⾊的python解释器，为⽤户灵活地提供不同的解析策略或强劲的速度。
和lxml⼀样，BeautifulSoup也是⼀个HTML/XML的解析器，主要功能也是如何解析和提取HTML/XML数据。
lxml只会局部遍历，⽽BeautifulSoup是基于HTML DOM的，会载⼊整个⽂档，解析整个DOM树，因此时间和内存开销都会很⼤，所以性能要低于lxml。
BeautifulSoup⽤来解析HTML⽐较简单，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。
1、BeautifulSoup安装
pip install bs4
2、解析工具对比
| 抓取工具 | 速度 | 使用难度 |
|---|---|---|
| 正则 | 最快 | 困难 |
| lxml | 快 | 简单 |
| BeautifulSoup | 慢 | 最简单 |
二、BeautifulSoup的使用
# 导入
from bs4 import BeautifulSouphtml_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>
"""# 创建Beautiful Soup对象
soup = BeautifulSoup(html_doc, 'html.parser')print(type(soup))print(soup)# 格式化输出对象的内容
print(soup.prettify())1、解析器
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, “html.parser”) | 1. Python的内置标准库2.执⾏速度适中3.⽂档容错能⼒强 | Python 2.7.3 or3.2.2)前 的版本中⽂档容错能⼒差 |
| lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) | 1.速度快 2.⽂档容错能⼒强 | 需要安装C语⾔库 |
2、搜索⽂档树
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
from bs4 import BeautifulSouphtml_doc = """
<table class="tablelist" cellspacing="0" cellpadding="0"><tbody><tr class="h"><td class="1" width="374">职位名称</td><td>职位类别</td><td>人数</td><td>地点</td><td>发布时间</td></tr><tr class="even"><td class="l"><a href="https://www.baidu.com">区块链高级研发工程师</a></td><td class="l">技术类</td><td class="l">1</td><td class="l">深圳</td><td class="l">2018-11-25</td></tr><tr class="even"><td><a href="https://www.qq.com">金融云高级后台开发</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.juran.com">高级研发工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.python.com">高级图像算法工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.lg.com" id="test" class="test">高级业务运维工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr></tbody>
</table>
"""soup = BeautifulSoup(html_doc, 'lxml')
# print(type(soup))
# tr = soup.find('tr')
# print(tr.contents)
# print(list(tr.children))
tdf = soup.find('td').parent
print(tdf)# 1.获取所有tr标签
# trs = soup.find_all('tr')
# trs = soup.find('tr')
# print(trs)
# 返回的是list
# print(trs)
# for tr in trs:
# print(tr)# print(type(tr))# print("="*30)# 2.获取第2个tr标签
# tr = soup.find_all('tr', limit=2)[1]
# print(tr)# 3.获取所有class等于even的tr标签
# trs = soup.find_all('tr', class_='even')
# trs = soup.find_all('tr', attrs={"class": 'even'})
# for tr in trs:
# print(tr)
# print("="*30)# 4.将所有id等于test,class也等于test的a标签提取出来
# alist = soup.find_all('a', attrs={"id": "test", "class": "test"})
# alist = soup.find_all('a', id="test", class_="test")
# print(alist)# 5.获取所有的a标签的href属性
# hrefs = soup.find_all('a')
# for a in hrefs:# print(a)# 1.通过下表的方式# href = a['hrefs']# 如果没有取到返回None# href = a.get('hrefs')# print(href)# 2.通过attrs属性的方式# href = a.attrs['hrefs']# print(href)# 6.获取所有的职位信息(纯文本)
# trs = soup.find_all('tr')[1:]
# for tr in trs:# print(tr)# tds = tr.find_all('td')# print(tds)# title = tds[0]# print(title.string)# 获取tr标签的所有文本# infos = list(tr.strings)# print(infos)# 可以去除空格取纯文本# infos = list(tr.stripped_strings)# print(infos[0])3、CSS常⽤选择器介绍
- 通过标签名查找
print(soup.select('a'))
- 通过类名查找
print(soup.select('.sister')) #查找class=sister的标签
- 通过id查找
print(soup.select("#link1"))
- 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"))
- 直接⼦标签查找，则使⽤ > 分隔：
print(soup.select("head > title"))
- 通过属性查找
print(soup.select('a[href="http://example.com/elsie"]'))
- 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。
4、select和css选择器提取元素
from bs4 import BeautifulSouphtml_doc = """
<table class="tablelist" cellspacing="0" cellpadding="0"><tbody><tr class="h"><td class="1" width="374">职位名称</td><td>职位类别</td><td>人数</td><td>地点</td><td>发布时间</td></tr><tr class="even"><td class="l"><a href="https://www.baidu.com">区块链高级研发工程师</a></td><td class="l">技术类</td><td class="l">1</td><td class="l">深圳</td><td class="l">2018-11-25</td></tr><tr><td><a href="https://www.qq.com">金融云高级后台开发</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.juran.com">高级研发工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.python.com">高级图像算法工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr><tr><td><a href="https://www.lg.com" id="test" class="test">高级业务运维工程师</a></td><td>技术类</td><td>2</td><td>深圳</td><td>2018-11-24</td></tr></tbody>
</table>
"""soup = BeautifulSoup(html_doc, 'lxml')# 1.获取所有tr标签
trs = soup.select('tr')
# print(trs)# 2.获取第2个tr标签
# tr = soup.select('tr')[1]
# print(tr)# 3.获取所有class等于even的tr标签
# tr = soup.select('tr.even')
# print(tr)# 4.获取所有的a标签的href属性
# alist = soup.select('a')
# for a in alist:
# href = a.get('href')
# print(href)# 5.获取所有的职位信息(纯文本)
trs = soup.select('tr')for tr in trs:infos = list(tr.stripped_strings)print(infos)
5、BeautifulSoup4四大对象种类
BeautifulSoup4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
遍历文档树
contents和children
- contents返回所有⼦节点的列表
- children返回所有⼦节点的迭代器