03 爬虫解析库之bs4库
一. 介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
# 安装 Beautiful Soup
pip install beautifulsoup4
# 安装解析器
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:
$ apt-get install Python-lxml
$ easy_install lxml
$ pip install lxml
另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
$ apt-get install Python-html5lib
$ easy_install html5lib
$ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
速度快文档容错能力强 | 需要安装C语言库 |
| lxml XML 解析器 | BeautifulSoup(markup, ["lxml", "xml"])``BeautifulSoup(markup, "xml") |
速度快唯一支持XML的解析器 | 需要安装C语言库 |
| html5lib | BeautifulSoup(markup, "html5lib") |
最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩展 |
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
二. 基本使用
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title">zhangchengDSB <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 item" 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>
"""
# ------------------------------- 基本使用 ----------------------------
from bs4 import BeautifulSoup
# BeautifulSoup(markup=html_doc, features='html.parser')
soup = BeautifulSoup(markup=html_doc, features='lxml')
# 处理好缩进，结构化显示
res = soup.prettify() # /ˈprɪtɪfaɪ/
print(res)
'''
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
<body>
<p class="title">
zhangchengDSB
<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 item" 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>
'''
三. 遍历文档树
1. 介绍
# 优势: 直接通过标签名字选择，特点是选择速度快
# 缺点: 如果存在多个相同的标签则只返回第一个
# 1、用法
# 2、获取标签的名称
# 3、获取标签的属性
# 4、获取标签的内容
# 5、嵌套选择
# 6、子节点、子孙节点
# 7、父节点、祖先节点
# 8、兄弟节点
2. 用法
head = soup.head
print(head) # <head><title>The Dormouse's story</title></head>
3. 获取标签的名称
head = soup.head
print(head.name, type(head.name)) # head <class 'str'>
4. 获取标签的属性
p = soup.body.p
print(p.attrs) # {'class': ['title']}
# 注意: class可能有多个
# <a href="http://example.com/elsie" class="sister item" id="link1">Elsie</a>
a = soup.body.a
print(a.attrs) # {'href': 'http://example.com/elsie', 'class': ['sister', 'item'], 'id': 'link1'}
5. 获取标签的内容
# <head><title>The Dormouse's story</title></head>
# <p class="title">zhangchengDSB <b>The Dormouse's story</b></p>
# <a href="http://example.com/elsie" class="sister item" id="link1">Elsie</a>
head = soup.head
p = soup.body.p
a = soup.body.a
# .text: 获取标签下所有的文本内容
print(p.text) # zhangchengDSB The Dormouse's story
# .string: 获取标签下只有一个文本内容存在的文本内容
print(p.string) # None
print(a.string) # Elsie
print(head.string) # The Dormouse's story
# .strings: 获取标签下所有文本内容, 制作成一个迭代器对象
print(p.strings) # <generator object _all_strings at 0x0000018C5FC5B4C0>
print(list(p.strings)) # ['zhangchengDSB ', "The Dormouse's story"]
6. 嵌套选择
# <a href="http://example.com/elsie" class="sister item" id="link1">Elsie</a>
a = soup.body.a
print(a) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
print(a.get('id')) # link1
print(a.get('class')) # ['sister', 'item']
7. 子节点、子孙节点
# .contents: 获取标签下所有子节点 (注意: 包含空格等符号)
res = soup.body.p.contents
print(res) # ['zhangchengDSB ', <b>The Dormouse's story</b>]
# .children: 获取标签下所有所有子节点, 制作成迭代器
res = soup.body.p.children
print(res) # <list_iterator object at 0x00000205E078AE80>
print(list(res)) # ['zhangchengDSB ', <b>The Dormouse's story</b>]
8. 父节点、祖先节点
# .parent: 获取标签的父节点(单个)
res = soup.body.p.b.parent
print(res) # <p class="title">zhangchengDSB <b>The Dormouse's story</b></p>
# .parents: 获取标签的所有祖先节点
res = soup.a.parents
print(res) # <generator object parents at 0x000001E206F4A4C0>
print(len(list(res))) # 4 (提示: 这是一个迭代器, list取完了就空了)
res = soup.a.parents
print(list(res))
'''
[<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister item" 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>,
<body>
<p class="title">zhangchengDSB <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 item" 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><head><title>The Dormouse's story</title></head>
<body>
<p class="title">zhangchengDSB <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 item" 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>,
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title">zhangchengDSB <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 item" 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>]
'''
9. 兄弟节点
# .next_sibling: 获取标签的下一个兄弟 (提示: 逗号也被涵盖了, 不好用)
print(soup.a.next_sibling)
'''
<p class="title">zhangchengDSB <b>The Dormouse's story</b></p>
,
'''
# .previous_sibling: 获取标签的上一个兄弟 (提示: 空格也被涵盖了, 也不好用)
print(soup.a.previous_sibling)
'''
Once upon a time there were three little sisters; and their names were
'''
10. 总结
# 注意: 多个标签结果之返回一条
soup.head 获取标签(多条中的第一条)
soup.head.name 获取标签名称
soup.head.attrs 获取标签属性 {'class': [xx, yy, ...], 'id': jj}
soup.text 获取标签下所有的文本内容
soup.string 获取标签下只有一个文本内容存在的文本内容
soup.strings 获取标签下所有文本内容, 制作成一个迭代器对象
soup.get('属性名') 获取标签中的属性值
soup.contents 获取标签下所有子节点 (注意: 包含空格等符号)
soup.children 获取标签下所有所有子节点, 制作成迭代器
soup.parent 获取标签的父节点(单个)
soup.parents 获取标签的所有祖先节点
soup.next_sibling 获取标签的下一个兄弟 (提示: 逗号也被涵盖了, 不好用)
soup.previous_sibling 获取标签的上一个兄弟 (提示: 空格也被涵盖了, 也不好用)
四. 搜索文档树
1. 五种过滤器: 字符串、正则表达式、列表、布尔、方法
1) 字符串
'''
.find() 获取查询到的第一个 (提示: 内部本质还是调用了 find_all()[0])
.find_all() 获取查询到的所有
'''
# .find()
res = soup.find('a')
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
res = soup.find(name='a')
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
res = soup.find(id='link1')
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
res = soup.find(class_='sister')
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
res = soup.find(attrs={'class': 'sister'})
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
res = soup.find(attrs={'id': 'link1'})
print(res) # <a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>
# .find_all()
res = soup.find_all(class_='sister')
print(res)
'''
[
<a class="sister item" 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>
]
'''
2) 正则表达式
import re
pattern = re.compile('^p')
res = soup.find(name=pattern)
print(res) # <p class="title">zhangchengDSB <b>The Dormouse's story</b></p>
res = soup.find_all(name=pattern)
print(res)
'''
[
<p class="title">zhangchengDSB <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 item" 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>
]
'''
3) 列表
res = soup.find_all(name=['b', 'a'])
print(res)
'''
[ <b>The Dormouse's story</b>,
<a class="sister item" 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>
]
'''
4) 布尔
res = soup.find_all(id=True)
print(res)
'''
[
<a class="sister item" 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>
]
'''
res = soup.find_all(href=True)
print(res)
'''
[
<a class="sister item" 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>
]
'''
5) 方法
# 如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))
'''
[
<p class="title">zhangchengDSB <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 item" 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>
]
'''
6) 总结
# 字符串
soup.find('a') 获取标签下第一个a标签
soup.find_all('a') 获取标签下所有的a标签
# 正则表达式
import re
pattern = re.compile(r'正则')
soup.find_all(name=pattern)
# 列表
soup.find_all(name=['b', 'a'])
# 布尔
soup.find_all(id=True)
soup.find_all(href=True)
# 方法
soup.find_all(has_class_but_no_id)
2. find_all
find_all(self, name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
import re
# 1. name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))
# 2. keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'), id=re.compile('\d'))) # 注意类要用class_
print(soup.find_all(id=True)) # 查找有id属性的标签
# 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>', 'lxml')
# data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
# 但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]
# 3. 按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一
'''
print(soup.find_all('a', class_='sister')) # 查找类为sister的a标签
print(soup.find_all('a', class_='sister ssss')) # 查找类为sister和sss的a标签，顺序错误也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) # 查找类为sister的所有标签
'''
# 4. attrs
print(soup.find_all('p', attrs={'class': 'story'}))
# 5. text: 值可以是：字符，列表，True，正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a', text='Elsie'))
# 6. limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果
print(soup.find_all('a', limit=2))
'''
[
<a class="sister item" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
]
'''
# 7. recursive: 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
print(soup.html.find_all('a'))
'''
[
<a class="sister item" 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.html.find_all('a', recursive=False)) # []
总结
# 参数:
def find_all(self, name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
"""
:param name: 标签名称上的过滤器。
:param attrs: 属性值的过滤器字典。
:param recursive: 属性值的过滤器字典。参数递归:如果为真，find_all()将执行递归搜索这个PageElement的子元素。否则,只有直接子女将被考虑。
:param limit: 如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果
:kwargs: 属性值的过滤器字典。
:return: pageelement的结果集。
"""
# 拓展: 等价代码
soup('a')
soup.find('a')
soup.p.find_all(text=True)
soup.p(text=True)
3. find
find(self, name=None, attrs={}, recursive=True, text=None, **kwargs)
'''
find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.
比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适,
使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
'''
soup.find_all('title', limit=1) # [<title>The Dormouse's story</title>]
soup.find('title') # <title>The Dormouse's story</title>
# 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
# find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
print(soup.find("nosuchtag")) # None
# soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
soup.head.title # <title>The Dormouse's story</title>
soup.find("head").find("title") # <title>The Dormouse's story</title>
总结
soup.find('a') 等价 soup.a 等价 soup.find_all('a')[0] 等价 soup('a')[0]
soup.find('xxxx') 未找到返回None
soup.find_all('xxxx')[0] 和 soup('xxxx')[0] 未找到返回空列表[]
soup.head.a 就是 soup.find(head).find(a)的简写
4. 其它方法
https://www.cummy.com/software/BeautifulSoup/bs4/doc/indx.zh.html#find-parents-find-parent
5. CSS选择器
print(soup.p.select('.sister'))
'''
[
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span></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>
]
'''
res = soup.select('.sister span')
print(res) # [<span>Elsie</span>]
res = soup.select('#link1')
print(res) # [<a class="sister" href="http://example.com/elsie" id="link1"><span>Elsie</span></a>]
res = soup.select('#link1 span')
print(res) # [<span>Elsie</span>]
res = soup.select('#list-2 .element.xxx')
print(res) # [<li class="element xxx">Bar</li>]
res = soup.select('#list-2')[0].select('.element')
print(res) # 可以一直select,但其实没必要,一条select就可以了
'''
[<li class="element"><h1 class="yyyy">Foo</h1></li>, <li class="element xxx">Bar</li>, <li class="element">Jay</li>]
'''
# 2、获取属性
res = soup.select('#list-2 h1')[0].attrs
print(res) # {'class': ['yyyy']}
# 3、获取内容
res = soup.select('#list-2 h1')[0].get_text()
print(res) # Foo
总结
# 注意: select返回的结果是多个, 获取属性 或者 文本 都需要进行索引取值以后才能操作
soup.p.select('.sister')
soup.p(class_='sister')
soup.p.find_all(class_='sister')
soup.select('.sister span') 等价
li = []
for sister in soup(class_='sister'):
if not sister.span:
continue
span_list = sister('span')
for span in span_list:
li.append(span)
print(li)
soup.select('#link1') 等价 soup(id='link1') 等价 soup.find_all(id='link1')
soup.select('#list-2 h1')[0].attrs 等价
soup.find(id='list-2').find_all('h1')[0].attrs
soup.find(id='list-2').find('h1').attrs -> 优化
soup.select('#list-2 h1')[0].get_text() 等价
soup.find(id='list-2').find('h1').text
list(soup.find(id='list-2').find('h1').strings)
6. 修改文档树
bs4的修改文档树, 软件配置文件是xml格式的: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
7. 通用性
拓展性: css选择器通用, find和find_all用的少. 有些解析器不支持
