Python爬虫笔记4-BeautifulSoup使用

BeautifulSoup介绍

与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。

几种解析工具的对比

工具	速度	难度
正则表达式	最快	困难
BeautifulSoup	慢	最简单
lxml	快	简单

lxml 只会局部遍历，而Beautiful Soup 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大很多，所以性能要低于lxml。

安装
我的环境是Python 3.6.5，windows下cmd里执行pip安装即可。

pip3 install beautifulsoup4

测试
python终端里导入beautifulsoup，无报错信息即安装成功。

>>from bs4 import BeautifulSoup
>>

BeautifulSoup对象

BeautifulSoup将复杂的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

BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag。
Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

Tag

Tag可以简单理解为HTML文档中的一个个的标签，比如：

<head><title>The Dormouse's story</title></head>
<ur><li class="item-0"><a href="link1.html">first item</a></li></ur>

上面HTML文档中的head、title、ur、li都是HTML标签(节点名称)，这些标签加上里面的内容就是tag。

获取Tags

# 导入模块
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>
"""
# 初始化BeautifulSoup对象，指定lxml解析器
soup = BeautifulSoup(html, 'lxml')

# prettify()方法格式化soup的内容
print(soup.prettify())

# soup.title选出title节点
print(soup.title)
# <title>The Dormouse's story</title>

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

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

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

说明：使用soup加节点名称可以获取节点内容，这些对象的类型是bs4.element.Tag，但是它查找的是在内容中第一个符合要求的节点。比如上面代码有多个p标签，但是它只查找了第一个p标签。

对于Tag有两个重要的属性，name和attrs。当选择一个节点后，name属性获取节点的名称，attrs属性获取节点的属性(以字典形式返回)。

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。

# 下面三种方法都可以获取字典里的值，是等价的，结果都一样
print(soup.p.get('class'))
# ['title']
print(soup.p['class'])
# ['title']
print(soup.p.attrs['class'])
# ['title']

# 还可以针对属性或者内容进行修改
soup.p['class'] = "newClass"
print (soup.p)
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

NavigableString

获取了Tag，也就是获取了节点内容，但是只想要获取节点内部的内容怎么办？只需使用.string即可。

# 获取节点内容
print(soup.p.string)
# The Dormouse's story

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

遍历文档树

在选取节点的时候，也可以先选取一个节点，然后以这个节点为基准选取它的子节点，父节点，子孙节点等等，下面就介绍常用的选取方法。

获取直接子节点.contents .children属性

.contents

tag的.contents属性可以将tag的直接子节点以列表的方式输出。
下面例子选取head节点为基准，.contents选取head的子节点title，然后以列表返回。

print(soup.head.contents)
# [<title>The Dormouse's story</title>]

输出方式为列表，可以用列表索引来获取它的某一个元素.

print(soup.head.contents[0])
# <title>The Dormouse's story</title>

.children

children属性和contents属性不同的是它返回的不是一个列表，而是一个生成器。可用for循环输出结果。

print(soup.head.children)
# <list_iterator object at 0x0000017415655588>

for i in soup.head.children:
    print(i)
# <title>The Dormouse's story</title>

获取所有子孙节点：.descendants属性

上面两个属性都只能获取到基准节点的下一个节点，要想获取节点的所有子孙节点，就可以使用descendants属性了。它返回的也是一个生成器。

print(soup.descendants)
# <generator object descendants at 0x0000028FFB17C4C0>

还有其他属性如查找父节点，组父节点的属性就不记录了(平时很少用)。

搜索文档树

BeautifulSoup提供了一些查询方法(find_all,find等)，调用对应方法，输入查询参数就可以得到我们想要的内容了，可以理解为搜索引擎的功能。(百度/谷歌=查询方法，查询内容=查询参数，返回的网页=想要的内容)
下面介绍最常用的find_all方法。

find_all方法

作用：查找所有符合条件的元素，返回的是列表形式
API：find_all(name, attrs, recursive, text, **kwargs)
1. name
name 参数可以根据节点名来查找元素。
A. 传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,BeautifulSoup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<p>标签。

print(soup.find_all('p'))
# 通常以下面方式写比较好
print(soup.find_all(name='p'))

B.传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以p开头的标签。

import re
print(soup.find_all(re.compile('^p')))

C.传列表
如果传入列表参数,BeautifulSoup会将与列表中任一元素匹配的内容返回。下面代码会找到HTML代码中的head标签和b标签。

print(soup.find_all(['head','b']))
# [<head><title>The Dormouse's story</title></head>, <b>The Dormouse's story</b>]

2. attrs
find_all中attrs参数可以根据节点属性查询。
查询时传入的参数是字典类型。比如查询id=link1的节点

print(soup.find_all(attrs={'id':'link1'}))
# [<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

对于常见的属性，可以不用以attrs来传递，直接传入查询参数即可。比如id,class_(class为Python关键字，使用下划线区分),如下:

print(soup.find_all(id='link1'))
print(soup.find_all(class_='sister'))

运行结果：

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

[<a class="sister" 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>]

3. text
text 参数可以搜搜文档中的字符串内容，与 name 参数的可选值一样, text 参数接受字符串 , 正则表达式 , 列表。下面代码查找节点里内容中有story字符串的节点，并返回节点的内容。

print(soup.find_all(text=re.compile('story')))
# ["The Dormouse's story", "The Dormouse's story"]

find方法

find方法与find_all方法的区别：
find_all：查询符合所有条件的元素，返回列表。
find:只查找第一个匹配到的元素，返回单个元素，类型tag。
查询方法与find_all大同小异。示例：

print(soup.find(name='p')) # 查询第一个p标签
print(soup.find(text=re.compile('story'))) # 查找第一个节点内容中有story字符串的节点内容