相关推荐recommended
Python爬虫——Python BS4解析库用法详解
作者:mmseoamin日期:2023-12-25

Beautiful Soup 简称 BS4(其中 4 表示版本号)是一个 Python 第三方库,它可以从 HTML 或 XML 文档中快速地提取指定的数据。Beautiful Soup 语法简单,使用方便,并且容易理解,因此可以快速地学习并掌握 BS4 的基本语法。

Python爬虫——Python BS4解析库用法详解,第1张

BS4下载安装

由于 Bautiful Soup 是第三方库,因此需要单独下载,下载方式非常简单,执行以下命令即可安装:

pip install bs4

由于 BS4 解析页面时需要依赖文档解析器,所以还需要安装 lxml 作为解析库:

pip install lxml

Python 也自带了一个文档解析库 html.parser, 但是其解析速度要稍慢于 lxml。除了上述解析器外,还可以使用 html5lib 解析器,安装方式如下:

pip install html5lib

该解析器生成 HTML 格式的文档,但速度较慢。

“解析器容错”指的是被解析的文档发生错误或不符合格式时,通过解析器的容错性仍然可以按照既定的正确格式实现解析。

BS4解析对象

创建 BS4 解析对象是万事开头的第一步,这非常地简单,语法格式如下所示:

#导入解析包
from bs4 import BeautifulSoup
#创建beautifulsoup解析对象
soup = BeautifulSoup(html_doc, 'html.parser')

上述代码中,html_doc 表示要解析的文档,而 html.parser 表示解析文档时所用的解析器,此处的解析器也可以是 'lxml' 或者 'html5lib',示例代码如下所示:

#coding:utf8
html_doc = """
"CSDN"

www.CSDN.net

一个学习编程的网站 python教程 CSDN """ from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'html.parser') #prettify()用于格式化输出html/xml文档 print(soup.prettify())

输出结果:



  
   "CSDN"
  


  

www.CSDN.net

一个学习编程的网站 python教程 CSDN

如果是外部文档,您也可以通过 open() 的方式打开读取,语法格式如下:

soup = BeautifulSoup(open('html_doc.html', encoding='utf8'), 'lxml')

BS4常用语法

下面对爬虫中经常用到的 BS4 解析方法做详细介绍。

Beautiful Soup 将 HTML 文档转换成一个树形结构,该结构有利于快速地遍历和搜索 HTML 文档。下面使用树状结构来描述一段 HTML 文档:

CSDN

www.CSDN.net

一个学习编程的网站

树状图如下所示:

Python爬虫——Python BS4解析库用法详解,第2张

文档树中的每个节点都是 Python 对象,这些对象大致分为四类:Tag , NavigableString , BeautifulSoup , Comment 。其中使用最多的是 Tag 和 NavigableString。

  • Tag:标签类,HTML 文档中所有的标签都可以看做 Tag 对象。
  • NavigableString:字符串类,指的是标签中的文本内容,使用 text、string、strings 来获取文本内容。
  • BeautifulSoup:表示一个 HTML 文档的全部内容,您可以把它当作一个人特殊的 Tag 对象。
  • Comment:表示 HTML 文档中的注释内容以及特殊字符串,它是一个特殊的 NavigableString。

    1) Tag节点

    标签(Tag)是组成 HTML 文档的基本元素。在 BS4 中,通过标签名和标签属性可以提取出想要的内容。看一组简单的示例:

    from bs4 import BeautifulSoup
    soup = BeautifulSoup('

    www.CSDN.net

    ', 'html.parser') #获取整个p标签的html代码 print(soup.p) #获取b标签 print(soup.p.b) #获取p标签内容,使用NavigableString类中的string、text、get_text() print(soup.p.text) #返回一个字典,里面是多有属性和值 print(soup.p.attrs) #查看返回的数据类型 print(type(soup.p)) #根据属性,获取标签的属性值,返回值为列表 print(soup.p['class']) #给class属性赋值,此时属性值由列表转换为字符串 soup.p['class']=['Web','Site'] print(soup.p)

    输出结果如下:

    soup.p输出结果:
    

    www.CSDN.net

    soup.p.b输出结果: www.CSDN.net soup.p.text输出结果: www.CSDN.net soup.p.attrs输出结果: {'class': ['Web', 'site', 'url']} type(soup.p)输出结果: soup.p['class']输出结果: ['Web', 'site', 'url'] class属性重新赋值:

    www.CSDN.net

    遍历节点

    Tag 对象提供了许多遍历 tag 节点的属性,比如 contents、children 用来遍历子节点;parent 与 parents 用来遍历父节点;而 next_sibling 与 previous_sibling 则用来遍历兄弟节点 。示例如下:

    #coding:utf8
    from bs4 import BeautifulSoup
    html_doc = """
    "CSDN"
    
    

    www.CSDN.net

    一个学习编程的网站

    python教程, CSDN and """ soup = BeautifulSoup(html_doc, 'html.parser') body_tag=soup.body print(body_tag) #以列表的形式输出,所有子节点 print(body_tag.contents)

    输出结果:

    
    

    www.CSDN.net

    一个学习编程的网站

    python教程, CSDN and #以列表的形式输出 ['\n',

    www.CSDN.net

    , '\n',

    一个学习编程的网站

    , '\n', python教程, '\n', CSDN, '\n']

    Tag 的 children 属性会生成一个可迭代对象,可以用来遍历子节点,示例如下:

    for child in body_tag.children:
        print(child)

    输出结果:

    #注意此处已将换行符"\n"省略
    

    www.CSDN.net

    一个学习编程的网站

    想了解更多相关示例可参考官方文档:点击前往

    find_all()与find()

    find_all() 与 find() 是解析 HTML 文档的常用方法,它们可以在 HTML 文档中按照一定的条件(相当于过滤器)查找所需内容。find() 与 find_all() 的语法格式相似,希望大家在学习的时候,可以举一反三。

    BS4 库中定义了许多用于搜索的方法,find() 与 find_all() 是最为关键的两个方法,其余方法的参数和使用与其类似。

    1) find_all()

    find_all() 方法用来搜索当前 tag 的所有子节点,并判断这些节点是否符合过滤条件,最后以列表形式将符合条件的内容返回,语法格式如下:

    find_all( name , attrs , recursive , text , limit )

    参数说明:

    • name:查找所有名字为 name 的 tag 标签,字符串对象会被自动忽略。
    • attrs:按照属性名和属性值搜索 tag 标签,注意由于 class 是 Python 的关键字吗,所以要使用 "class_"。
    • recursive:find_all() 会搜索 tag 的所有子孙节点,设置 recursive=False 可以只搜索 tag 的直接子节点。
    • text:用来搜文档中的字符串内容,该参数可以接受字符串 、正则表达式 、列表、True。
    • limit:由于 find_all() 会返回所有的搜索结果,这样会影响执行效率,通过 limit 参数可以限制返回结果的数量。

      find_all() 使用示例如下:

      from bs4 import BeautifulSoup
      import re
      html_doc = """
      "CSDN"
      
      

      www.CSDN.net

      一个学习编程的网站

      python教程 CSDN django教程

      加入我们阅读所有教程

      好好学习 """ #创建soup解析对象 soup = BeautifulSoup(html_doc, 'html.parser') #查找所有a标签并返回 print(soup.find_all("a")) #查找前两条a标签并返回 print(soup.find_all("a",limit=2)) #只返回两条a标签

      最后以列表的形式返回输出结果,如下所示:

      [python教程, CSDN, django教程, 好好学习]
      [python教程, CSDN]

      按照标签属性以及属性值查找 HTML 文档,如下所示

      print(soup.find_all("p",class_="website"))
      print(soup.find_all(id="link4"))

      输出结果:

      [

      一个学习编程的网站

      ] [好好学习]

      正则表达式、列表,以及 True 也可以当做过滤条件,使用示例如下:

      #列表行书查找tag标签
      print(soup.find_all(['b','a']))
      #正则表达式匹配id属性值
      print(soup.find_all('a',id=re.compile(r'.\d')))
      print(soup.find_all(id=True))
      #True可以匹配任何值,下面代码会查找所有tag,并返回相应的tag名称
      for tag in soup.find_all(True):
          print(tag.name,end=" ")
      #输出所有以b开始的tag标签
      for tag in soup.find_all(re.compile("^b")):
          print(tag.name)

      输出结果如下:

      第一个print输出:
      [www.CSDN.net, python教程, CSDN, django教程, 好好学习]
      第二个print输出:
      [python教程, CSDN, django教程, 好好学习]
      第三个print输出:
      [python教程, CSDN, django教程, 好好学习]
      第四个print输出:
      html head title body p b p a a a p a
      最后一个输出:
      body b

      BS4 为了简化代码,为 find_all() 提供了一种简化写法,如下所示:

      #简化前
      soup.find_all("a")
      #简化后
      soup("a")

      上述两种的方法的输出结果是相同的。

      2) find()

      find() 方法与 find_all() 类似,不同之处在于 find_all() 会将文档中所有符合条件的结果返回,而 find() 仅返回一个符合条件的结果,所以 find() 方法没有limit参数。使用示例如下:

      from bs4 import BeautifulSoup
      import re
      html_doc = """
      "CSDN"
      
      

      www.CSDN.net

      一个学习编程的网站

      python教程 CSDN django教程

      加入我们阅读所有教程

      好好学习 """ #创建soup解析对象 soup = BeautifulSoup(html_doc, 'html.parser') #查找第一个a并直接返回结果 print(soup.find('a')) #查找title print(soup.find('title')) #匹配指定href属性的a标签 print(soup.find('a',href='http://www.CSDN.net/python/')) #根据属性值正则匹配 print(soup.find(class_=re.compile('tit'))) #attrs参数值 print(soup.find(attrs={'class':'vip'}))

      输出结果如下:

      a标签:
      python教程
      指定href属性:
      python教程
      title:
      "CSDN"
      正则匹配:
      

      www.CSDN.net

      #attrs参数值

      加入我们阅读所有教程

      使用 find() 时,如果没有找到查询标签会返回 None,而 find_all() 方法返回空列表。示例如下:

      print(soup.find('bdi'))
      print(soup.find_all('audio'))

      输出结果如下:

      None
      []

      BS4 也为 find()提供了简化写法,如下所示:

      #简化写法
      print(soup.head.title)
      #上面代码等价于
      print(soup.find("head").find("title"))

      两种写法的输出结果相同,如下所示:

      "CSDN"
      "CSDN"

      CSS选择器

      BS4 支持大部分的 CSS 选择器,比如常见的标签选择器、类选择器、id 选择器,以及层级选择器。Beautiful Soup 提供了一个 select() 方法,通过向该方法中添加选择器,就可以在 HTML 文档中搜索到与之对应的内容。应用示例如下:

      #coding:utf8
      html_doc = """
      "CSDN"
      
      

      www.CSDN.net

      一个学习编程的网站

      python教程 CSDN django教程

      加入我们阅读所有教程

      好好学习

      介绍: 关于网站 关于站长

      """ from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'html.parser') #根据元素标签查找 print(soup.select('title')) #根据属性选择器查找 print(soup.select('a[href]')) #根据类查找 print(soup.select('.vip')) #后代节点查找 print(soup.select('html head title')) #查找兄弟节点 print(soup.select('p + a')) #根据id选择p标签的兄弟节点 print(soup.select('p ~ #link3')) #nth-of-type(n)选择器,用于匹配同类型中的第n个同级兄弟元素 print(soup.select('p ~ a:nth-of-type(1)')) #查找子节点 print(soup.select('p > a')) print(soup.select('.introduce > #link5'))

      输出结果:

      第一个输出:
      ["CSDN"]
      第二个输出:
      [python教程, CSDN, django教程, 好好学习, 关于网站, 关于站长]
      第三个输出:
      [

      加入我们阅读所有教程

      ] 第四个输出: ["CSDN"] 第五个输出: [python教程, 好好学习] 第六个输出: [django教程] 第七个输出: [python教程] 第八个输出: [关于网站, 关于站长] 最后的print输出: [关于网站]

      如果想了解更多关于 BS4 库的使用方法,可以参考官方文档:

      Beautiful Soup 4.4.0 文档 — Beautiful Soup 4.2.0 中文 文档​​​​​​

      Python教程,8天python从入门到精通,学python看这套就够了