二、数据提取(2)——BeautifulSoup4库

BeautifulSoup4库

和lxml一样，BeautifulSoup也是一个HTML/XML的解析器，主要的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，会载入整个目标，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup用来解析 HTML 比较简单，API 非常人性化，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。

BeautifulSoup3目前已经停止开发，推荐现在的项目使用 BeautifulSoup 4。

安装和文件

1. 安装：pip install bs4
2. 中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

几大解析工具对比

解析工具	解析速度	使用难度
BeautifulSoup	最慢	最简单
lxml	快	简单
正则	最快	最难

简单使用

from bs4 import BeautifulSoup

html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
    <tr class="h">
        <td class="l" 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 square"><a target="_blank"
                                href="position_detail.php?id=48569&amp;keywords=&amp;tid=87&amp;lid=2175">26699-智慧零售业务中心前端开发（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="odd">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48556&amp;keywords=&amp;tid=87&amp;lid=2175">22989-高级AI后台开发工程师（上海/深圳）</a>
        </td>
        <td>技术类</td>
        <td>2</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="even">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48537&amp;keywords=&amp;tid=87&amp;lid=2175">25666-腾讯云华东区域解决方案支持</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="odd">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48534&amp;keywords=&amp;tid=87&amp;lid=2175">CSIG02-腾讯云行业方案架构师（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="even">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48428&amp;keywords=&amp;tid=87&amp;lid=2175">25929-高级机器学习工程师</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="odd">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48425&amp;keywords=&amp;tid=87&amp;lid=2175">30628-腾讯广告投放平台PHP开发工程师（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="even">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48393&amp;keywords=&amp;tid=87&amp;lid=2175">CSIG16-车联网系统工程师（自研基础产品运维负责人）（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="odd">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48394&amp;keywords=&amp;tid=87&amp;lid=2175">CSIG16-车联网IT运维经理（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="even">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48380&amp;keywords=&amp;tid=87&amp;lid=2175">22989-腾讯云-区域交付leader（上海）</a>
        </td>
        <td>技术类</td>
        <td>1</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    <tr class="odd">
        <td class="l square"><a target="_blank"
                                href="position_detail.php?id=48349&amp;keywords=&amp;tid=87&amp;lid=2175">27570-高级引擎工程师</a>
        </td>
        <td>技术类</td>
        <td>2</td>
        <td>上海</td>
        <td>2019-03-15</td>
    </tr>
    </tbody>
</table>
"""

# 创建 Beautiful Soup对象
# 使用 lxml来进行解析
soup = BeautifulSoup(html,"lxml")

# bs4 => lxml
print(soup.prettify())

 

四个常用的对象

BeautifulSoup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：

1. Tag
2. NavigableString
3. BeautifulSoup
4. Comment

1.Tag：

Tag通俗点讲就是 HTML 中的一个个标签。示例代码如下：

from bs4 import BeautifulSoup

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 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,'lxml')

print soup.title
# <title>The Dormouse's story</title>

print soup.head
# <head><title>The Dormouse's story</title></head>

print soup.a
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

print soup.p
# <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

print type(soup.p)
# <class 'bs4.element.Tag'>

我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。如果要查询所有的标签，后面会进行介绍。 对于Tag，它有两个重要的属性，分别是name和attrs。示例代码如下：

print soup.name
# [document] #soup 对象本身比较特殊，它的 name 即为 [document]

print soup.head.name
# head #对于其他内部标签，输出的值便为标签本身的名称

print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

print soup.p['class'] # soup.p.get('class')
# ['title'] #还可以利用get方法，传入属性的名称，二者是等价的

soup.p['class'] = "newClass"
print soup.p # 可以对这些属性和内容等等进行修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

2. NavigableString:

如果拿到标签后，还想获取标签中的内容。那么可以通过tag.string获取标签中的文字。示例代码如下：

print soup.p.string
# The Dormouse's story

print type(soup.p.string)
# <class 'bs4.element.NavigableString'>thon

3. BeautifulSoup:

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法. 因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name

soup.name
# '[document]'

4. Comment:

Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,但是还有一些特殊对象.容易让人担心的内容是文档的注释部分:

markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
# <class 'bs4.element.Comment'>

Comment 对象是一个特殊类型的 NavigableString 对象:

comment
# 'Hey, buddy. Want to buy a used parser'

 

遍历文档树

1. contents和children：

html_doc = """
<html><head><title>The Dormouse's story</title></head>

<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>
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'lxml')

head_tag = soup.head
# 返回所有子节点的列表
print(head_tag.contents)

# 返回所有子节点的迭代器
for child in head_tag.children:
    print(child)

2. Strings 和 stripped_strings

如果tag中包含多个字符串 [2] ,可以使用 .strings 来循环获取：

for string in soup.strings:
    print(repr(string))
    # u"The Dormouse's story"
    # u'\n\n'
    # u"The Dormouse's story"
    # u'\n\n'
    # u'Once upon a time there were three little sisters; and their names were\n'
    # u'Elsie'
    # u',\n'
    # u'Lacie'
    # u' and\n'
    # u'Tillie'
    # u';\nand they lived at the bottom of a well.'
    # u'\n\n'
    # u'...'
    # u'\n'

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容：

for string in soup.stripped_strings:
    print(repr(string))
    # u"The Dormouse's story"
    # u"The Dormouse's story"
    # u'Once upon a time there were three little sisters; and their names were'
    # u'Elsie'
    # u','
    # u'Lacie'
    # u'and'
    # u'Tillie'
    # u';\nand they lived at the bottom of a well.'
    # u'...'

 

搜索文档树

1.find和find_all方法

搜索文档时，一般用得比较多的就是两个方法，一个是find，一个是find_all。find方法是找到第一个满足条件的标签后就立即返回，只返回一个元素。find_all方法是把所有满足条件的标签都选到，然后返回回去。使用这两个方法，最常用的用法是出入name以及attr参数找出符合要求的标签。

soup.find_all("a",attrs={"id":"link2"})

或者是直接传入属性的名字作为关键字参数：

soup.find_all("a",id="link2")

2. select方法

使用以上方法可以方便的找出元素。但有时候使用css选择器的方式可以更加的方便。使用css选择器的语法，应该使用select方法。以下列出几种常用 的css选择器方法：

(1) 通过标签名查找

print(soup.select('a'))

(2) 通过类名查找

通过类名，则应该在类的前面加一个 . 。比如要查找 **class=sister()**的标签。示例代码如下：

print(soup.select('.sister'))

(3)通过id查找

通过id查找，应该在id的名字前面加一个＃号。示例代码如下：

print(soup.select("#link1"))

(4)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"))

(5)通过属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。示例代码如下：

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

（6）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。

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()

实战：爬取中国天气网华北地区的天气

import requests
from bs4 import BeautifulSoup

def parse_page(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'        
    }
    response = requests.get(url,headers=headers)
    text = response.content.decode('utf-8')
    soup = BeautifulSoup(text,'lxml')
    conMidtab = soup.find('div',class_='conMidtab')
    tables = conMidtab.find_all('table')
    for table in tables:
        trs = table.find_all('tr')[2:]
        for tr in trs:
            tds = tr.find_all('td')
            city_td = tds[0]
            city = list(city_td.stripped_strings)[0]
            temp_td = tds[-2] 
            min_temp = list(temp_td.stripped_strings)[0]
            print({"city":city,"min_temp":min_temp})


def main():
    url = 'http://www.weather.com.cn/textFC/hb.shtml'
    parse_page(url)


if __name__ == '__main__':
    main()

实战2：爬取全国的最低气温并导出前十排行榜

import requests
from bs4 import BeautifulSoup
from pyecharts import Bar

ALL_DATA = []

def parse_page(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'        
    }
    response = requests.get(url,headers=headers)
    text = response.content.decode('utf-8')
    # html5lib
    # pip install html5lib
    soup = BeautifulSoup(text,'html5lib')
    conMidtab = soup.find('div',class_='conMidtab')
    tables = conMidtab.find_all('table')
    for table in tables:
        trs = table.find_all('tr')[2:]
        for index,tr in enumerate(trs):
            tds = tr.find_all('td')
            city_td = tds[0]
            if index == 0:
                city_td = tds[1]
            city = list(city_td.stripped_strings)[0]
            temp_td = tds[-2] 
            min_temp = list(temp_td.stripped_strings)[0]
            ALL_DATA.append({"city":city,"min_temp":min_temp})
            #print({"city":city,"min_temp":min_temp})


def main():
    #url = 'http://www.weather.com.cn/textFC/hb.shtml'
    #url = 'http://www.weather.com.cn/textFC/db.shtml'
    #url = 'http://www.weather.com.cn/textFC/hd.shtml'
    #url = 'http://www.weather.com.cn/textFC/hz.shtml'
    #url = 'http://www.weather.com.cn/textFC/hn.shtml'
    #url = 'http://www.weather.com.cn/textFC/xb.shtml'
    #url = 'http://www.weather.com.cn/textFC/xn.shtml'
    #url = 'http://www.weather.com.cn/textFC/gat.shtml'
    urls = {
            'http://www.weather.com.cn/textFC/hb.shtml',
            'http://www.weather.com.cn/textFC/db.shtml',
            'http://www.weather.com.cn/textFC/hd.shtml',
            'http://www.weather.com.cn/textFC/hz.shtml',
            'http://www.weather.com.cn/textFC/hn.shtml',
            'http://www.weather.com.cn/textFC/xb.shtml',
            'http://www.weather.com.cn/textFC/xn.shtml',
            'http://www.weather.com.cn/textFC/gat.shtml'
            }
    for url in urls:
       parse_page(url)

    #分析数据
    # 根据最低气温进行排序
    ALL_DATA.sort(key = lambda data:int(data['min_temp']))

    data = ALL_DATA[0:10]
    cities = []
    cities = list(map(lambda x:x['city'],data))    
    temps = list(map(lambda x:x['min_temp'],data))

    chart = Bar("中国天气最低气温排行榜")
    chart.add('',cities,temps)
    chart.render('temperature.html')


if __name__ == '__main__':
    main()