Python爬虫初级(三)—— Beautiful Soup 库入门

BeautifulSoup 库的安装

安装beautiful soup 库可以直接使用命令 pip install beautifulsoup4,安装完成之后可以通过演示 HTML 页面地址:http://python123.io/ws/demo.html 进行测试。我们打开这个网址,查询源代码,得到下面的结果:

1
2
3
4
5
6
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>

我们刚刚查看源代码是直接右键查看源代码进行拷贝的,除此之外,我们还可以使用 requests 库自动获得该链接的源代码:

1
2
3
4
5
6
7
import requests
from bs4 import BeautifulSoup

r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
print(soup.prettify())

这是上述代码的返回结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
<html>
<head>
<title>
This is a python demo page
</title>
</head>
<body>
<p class="title">
<b>
The demo python introduces several python courses.
</b>
</p>
<p class="course">
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
Basic Python
</a>
and
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
Advanced Python
</a>
</p>
</body>
</html>

看得出来,这个效果还是蛮好看的。实际上,Beautiful Soup 库是解析、遍历和维护“标签树”的功能库,可以理解为:BeautifulSoup 对应一个 HTML/XML 文档的全部内容。

BeautifulSoup 库详解

BeautifulSoup 库的解析器一共有四种,分别列举如下:

解析器 使用方法 条件
bs4 的 HTML 解析器 BeautifulSoup(mk, “html.parser”) pip install bs4

lxml 的 HTML 解析器|BeautifulSoup(mk, “lxml”)|pip install lxml|
|lxml 的 XML 解析器|BeautifulSoup(mk, “xml”)|pip install lxml|
|html5lib 的解析器|BeautifulSoup(mk, “html5lib”)|pip install html5lib|

BeautifulSoup 类的基本元素列举如下:

基本元素 说明
Tag 标签,最基本的信息组织单元,分别用 <> 和 标明开头和结尾
Name 标签的名字,获取格式:\.name
Attributes 标签的属性,获取格式:\.attrs
NavigableString 标签内非属性字符串,获取格式:\.string
Comment 标签内字符串的注释部分,一种特殊的Comment类型

我们可以对前面获得的 soup 进行 尝试:

1
2
3
4
5
6
7
8
9
10
print(soup.title)
# 返回 <title>This is a python demo page</title>
tag = soup.a
print(tag)
# 返回 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
print(soup.a.parent.name) # 返回 'p'
print(soup.a.parent.parent.name) # 返回 'body'
print(tag.attrs)
# 返回 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
prin(soup.a.string) # 返回 Basic Python

我们需要注意的是,当我们的 HTML 存在多个相同的标签时,只会返回第一个。我们再来看一下 Comment 元素的使用:

1
2
3
newsoup = Beautiful("<b><!--This is a comment--></b><p>This is not a comment</p>", "html.parser")
print(newsoup.b.string) # 返回 'This is a comment'
print(newsoup.p.string) # 返回 'This is not a comment'

我们总结一下,对于 < p class=”title”> … \</p>,若要得到 p ,我们使用: .name,若要得到 class=”title”,我们使用:属性.attrs,若要得到 title,我们使用标签.\ ,若要得到…(文本),我们使用:非属性字符串/注释.string

基于 bs4 库的 HTML 内容遍历方法

在 HTML 中我们有三种遍历方式 —— 上行遍历、下行遍历和平行遍历,下面分别介绍这几种遍历的直接方法。

标签树的下行遍历

属性 说明
.contents 子节点的列表,将 \ 所有儿子节点存入列表
.children 子节点的迭代类型,与 .contents 类似,用于循环遍历儿子节点
.descendants 子孙节点的迭代类型,包括所有子孙节点,用于循环遍历

例如:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
>>> soup = BeautifulSoup(demo, "html.parser")
>
>>> soup.head
<head><title>This is a python demo page</title></head>

>>>soup.head.contents
[<title>This is a python demo page</title>]

>>> soup.body.contents
['\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, '\n', <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, '\n']

>>> len(soup.body.contents)
5

>>> soup.body.contents[1]
<p class="title"><b>The demo python introduces several python courses.</b></p>

标签树的上行遍历

属性 说明
.parent 节点的父亲标签
.parents 节点父辈标签的迭代类型,用于循环遍历先辈节点

下面是上行遍历的代码:

1
2
3
4
5
6
7
8
9
10
11
>>> soup = BeautifulSoup(demo, "html.parser")
>>> for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)

p
body
html
[document]

标签树的平行遍历

属性 说明
.next_sibling 返回按照 HTML 文本顺序的下一个平行节点标签
.previous_sibling 返回按照 HTML 文本顺序的上一个平行节点标签
.next_siblings 返回按照 HTML 文本顺序的后续所有平行节点标签
.previous_siblings 返回按照 HTML 文本顺序的前续所有平行节点标签

需要注意的是:平行遍历发生在同一个父节点下的各节点间。
还记得我们前面的那个标签树吗?我们截取一部分来回顾一下:

1
2
3
4
5
6
7
<p class="course">
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
Basic Python
</a>
and
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">

我们接下来对 a 标签进行简单的平行遍历尝试:

1
2
3
4
5
6
7
>>> soup = BeautifulSoup(demo, "html.parser")
>>> soup.a.next_sibling
' and '
>>> soup.a.next_sibling.next_sibling
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
>>> soup.a.previous_sibling
'Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n'

我们可以通过以下代码做标签树的平行遍历:

1
2
3
4
for sibling in soup.a.next_siblings:
print(sibling)
for sibling in soup.a.previous_siblings:
print(sibling)

基于 bs4 库的 HTML 格式输出

我们应该如何让 \ 内容更加友好地输出呢?就是我们前面使用的 BeautifulSoup.prettify() 函数来实现。

1
2
3
4
5
6
7
8
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<p> 中文 china </p>","html.parser")
>>> soup.prettify()
'<p>\n 中文 china\n</p>'
>>> print(soup.prettify())
<p>
中文 china
</p>

下面附上一张总结(截)图:
总结图

  • 版权声明: 本博客所有文章除特别声明外,著作权归作者所有。转载请注明出处!

扫一扫,分享到微信

微信分享二维码
  • Copyrights © 2020 chenk
  • 由 帅气的CK本尊 强力驱动
  • 访问人数: | 浏览次数:

请我喝杯咖啡吧~

支付宝
微信