碼上歡樂
相關內容    簡體    繁體

python BeautifulSoup庫詳解

本文轉載自   查看原文   2018-12-10 12:58   2119 

BeautifulSoup

Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式

官方文檔鏈接，相同效果的庫還有pyquery模塊，詳見此

解析器

對網頁進行析取時，若未規定解析器，此時使用的是python內部默認的解析器“html.parser”。

解析器是什么呢？ BeautifulSoup做的工作就是對html標簽進行解釋和分類，不同的解析器對相同html標簽會做出不同解釋。

舉個官方文檔上的例子：

BeautifulSoup("<a></p>", "lxml")
# <html><body><a></a></body></html>
BeautifulSoup("<a></p>", "html5lib")
# <html><head></head><body><a><p></p></a></body></html>
BeautifulSoup("<a></p>", "html.parser")
# <a></a>

官方文檔上多次提到推薦使用"lxml"和"html5lib"解析器，因為默認的"html.parser"自動補全標簽的功能很差，經常會出問題。

Parser Typical usage Advantages Disadvantages
Python’s html.parser BeautifulSoup(markup,"html.parser")
  • Batteries included
  • Decent speed
  • Lenient (as of Python 2.7.3 and 3.2.)
  • Not very lenient (before Python 2.7.3 or 3.2.2)
lxml’s HTML parser BeautifulSoup(markup,"lxml")
  • Very fast
  • Lenient
  • External C dependency
lxml’s XML parser BeautifulSoup(markup,"lxml-xml") BeautifulSoup(markup,"xml")
  • Very fast
  • The only currently supported XML parser
  • External C dependency
html5lib BeautifulSoup(markup,"html5lib")
  • Extremely lenient
  • Parses pages the same way a web browser does
  • Creates valid HTML5
  • Very slow
  • External Python dependency

可以看出，“lxml”的解析速度非常快，對錯誤也有一定的容忍性。“html5lib”對錯誤的容忍度是最高的，而且一定能解析出合法的html5代碼，但速度很慢。

我們在實際爬取網站的時候，原網頁的編碼方式不統一，其中有一句亂碼，用“html.parser”和“lxml”都解析到亂碼的那句，后面的所有標簽都被忽略了。而“html5lib”能夠完美解決這個問題。

安裝及基本使用

安裝：

#安裝 Beautiful Soup
pip install beautifulsoup4

#安裝解析器
Beautiful Soup支持Python標准庫中的HTML解析器,還支持一些第三方的解析器,其中一個是 lxml .根據操作系統不同,可以選擇下列方法來安裝lxml:

$ apt-get install Python-lxml

$ easy_install lxml

$ pip install lxml

另一個可供選擇的解析器是純Python實現的 html5lib , html5lib的解析方式與瀏覽器相同,可以選擇下列方法來安裝html5lib:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

簡單使用：

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

#基本使用：容錯處理,文檔的容錯能力指的是在html代碼不完整的情況下,使用該模塊可以識別該錯誤。使用BeautifulSoup解析上述代碼,能夠得到一個 BeautifulSoup 的對象,並能按照標准的縮進格式的結構輸出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') #具有容錯功能
res=soup.prettify() #處理好縮進，結構化顯示
print(res)

各種api詳解

  • 1. name，標簽名稱
import requests
from bs4 import BeautifulSoup

ret = requests.get(url="https://www.autohome.com.cn/news/")
soup = BeautifulSoup(ret.text, 'lxml')
print(type(soup))
# <class 'bs4.BeautifulSoup'>
tag = soup.find('a')
name = tag.name  # 獲取
print("=" * 120)
print(tag)
# <a class="orangelink" href="//www.autohome.com.cn/beijing/cheshi/" target="_blank"><i class="topbar-icon topbar-icon16 topbar-icon16-building"></i>進入北京車市</a>
print(type(tag))
# <class 'bs4.element.Tag'>
print("=" * 120)

print(name)  # a
tag.name = 'span'  # 設置，將標簽設置為span
print(soup)  # a標簽已經被修改成了span標簽
# <html>....<span class="orangelink" href="//www.autohome.com.cn/beijing/cheshi/" target="_blank"><i class="topbar-icon topbar-icon16 topbar-icon16-building"></i>進入北京車市</span>....</html>

　　soup類型為BeautifulSoup，tag類型為bs4.element.tag，下面是tag的一些屬性

  • 2. attr，標簽屬性
tag = soup.find('a')
attrs = tag.attrs  # 獲取
print(tag)
# <a class="orangelink" href="//www.autohome.com.cn/beijing/cheshi/" target="_blank">
print(attrs)
# {'target': '_blank', 'href': '//www.autohome.com.cn/beijing/cheshi/', 'class': ['orangelink']}
tag.attrs = {'ik': 123}  # 設置
tag.attrs['id'] = 'iiiii'  # 添加
print(soup.find("a"))
# <a id="iiiii" ik="123">
  • 2.5 contents  獲取標簽內所有內容
body = soup.find('body')
v = body.contents
  • 3. children,所有子標簽
# body = soup.find('body')
# v = body.children
  • 4. descendants,所有子子孫孫標簽
# body = soup.find('body')
# v = body.descendants
  • 4.5 parent 父節點
body = soup.find('a')
v = body.parent
  • 4.6 parents 獲取所有祖先節點
body = soup.find('a')
v = body.parents
print(v)
# <generator object parents at 0x000001E1225C4E60>
是迭代器，要遍歷輸出

　　

  • 5. clear,將標簽的所有子標簽全部清空（保留標簽名）
# tag = soup.find('body')
# tag.clear()
# print(soup)
  • 6. decompose,遞歸的刪除所有的標簽
# body = soup.find('body')
# body.decompose()
# print(soup)
  • 7. extract,遞歸的刪除所有的標簽，並獲取刪除的標簽
# body = soup.find('body')
# v = body.extract()
# print(soup)
  • 8. decode,轉換為字符串（含當前標簽）；decode_contents（不含當前標簽）
# body = soup.find('body')
# v = body.decode()
# v = body.decode_contents()
# print(v)
  • 9. encode,轉換為字節（含當前標簽）；encode_contents（不含當前標簽）
# body = soup.find('body')
# v = body.encode()
# v = body.encode_contents()
# print(v)
  • 10. find,獲取匹配的第一個標簽
# tag = soup.find('a')
# print(tag)
# tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
# tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
# print(tag)
  • 11. find_all,獲取匹配的所有標簽
# tags = soup.find_all('a')
# print(tags)
 
# tags = soup.find_all('a',limit=1)
# print(tags)
 
# tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
# # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
# print(tags)
 
 
# ####### 列表 #######
# v = soup.find_all(name=['a','div'])
# print(v)
 
# v = soup.find_all(class_=['sister0', 'sister'])
# print(v)
 
# v = soup.find_all(text=['Tillie'])
# print(v, type(v[0]))
 
 
# v = soup.find_all(id=['link1','link2'])
# print(v)
 
# v = soup.find_all(href=['link1','link2'])
# print(v)
 
# ####### 正則 #######
import re
# rep = re.compile('p')
# rep = re.compile('^p')
# v = soup.find_all(name=rep)
# print(v)
 
# rep = re.compile('sister.*')
# v = soup.find_all(class_=rep)
# print(v)
 
# rep = re.compile('http://www.oldboy.com/static/.*')
# v = soup.find_all(href=rep)
# print(v)
 
# ####### 方法篩選 #######
# def func(tag):
# return tag.has_attr('class') and tag.has_attr('id')
# v = soup.find_all(name=func)
# print(v)
 
 
# ## get,獲取標簽屬性
# tag = soup.find('a')
# v = tag.get('id')
# print(v)
  • 12. has_attr,檢查標簽是否具有該屬性
# tag = soup.find('a')
# v = tag.has_attr('id')
# print(v)
  • 13. get_text,獲取標簽內部文本內容
# tag = soup.find('a')
# v = tag.get_text('id')
# print(v)
  • 14. index,檢查標簽在某標簽中的索引位置
# tag = soup.find('body')
# v = tag.index(tag.find('div'))
# print(v)
 
# tag = soup.find('body')
# for i,v in enumerate(tag):
# print(i,v)
  • 15. is_empty_element,是否是空標簽(是否可以是空)或者自閉合標簽，

     判斷是否是如下標簽：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

# tag = soup.find('br')
# v = tag.is_empty_element
# print(v)
  • 16. 兄弟節點，當前的關聯標簽
# soup.next
# soup.next_element
# soup.next_elements
# soup.next_sibling
# soup.next_siblings
 
#
# tag.previous
# tag.previous_element
# tag.previous_elements
# tag.previous_sibling
# tag.previous_siblings
 
#
# tag.parent
# tag.parents
  • 17. 查找某標簽的關聯標簽
# tag.find_next(...)
# tag.find_all_next(...)
# tag.find_next_sibling(...)
# tag.find_next_siblings(...)
 
# tag.find_previous(...)
# tag.find_all_previous(...)
# tag.find_previous_sibling(...)
# tag.find_previous_siblings(...)
 
# tag.find_parent(...)
# tag.find_parents(...)
 
# 參數同find_all
  • 18. select,select_one, CSS選擇器
soup.select("title")
 
soup.select("p nth-of-type(3)")
 
soup.select("body a")
 
soup.select("html head title")
 
tag = soup.select("span,a")
 
soup.select("head > title")
 
soup.select("p > a")
 
soup.select("p > a:nth-of-type(2)")
 
soup.select("p > #link1")
 
soup.select("body > a")
 
soup.select("#link1 ~ .sister")
 
soup.select("#link1 + .sister")
 
soup.select(".sister")
 
soup.select("[class~=sister]")
 
soup.select("#link1")
 
soup.select("a#link2")
 
soup.select('a[href]')
 
soup.select('a[href="http://example.com/elsie"]')
 
soup.select('a[href^="http://example.com/"]')
 
soup.select('a[href$="tillie"]')
 
soup.select('a[href*=".com/el"]')
 
 
from bs4.element import Tag
 
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
 
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags)
 
from bs4.element import Tag
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
 
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags)
  • 19. 標簽的內容（str）
# tag = soup.find('span')
# print(tag.string)          # 獲取
# tag.string = 'new content' # 設置
# print(soup)
 
# tag = soup.find('body')
# print(tag.string)
# tag.string = 'xxx'
# print(soup)
 
# tag = soup.find('body')
# v = tag.stripped_strings  # 遞歸內部獲取所有標簽的文本
# print(v)
  • 20.append在當前標簽內部追加一個標簽
# tag = soup.find('body')
# tag.append(soup.find('a'))
# print(soup)
#
# from bs4.element import Tag
# obj = Tag(name='i',attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# tag.append(obj)
# print(soup)
  • 21.insert在當前標簽內部指定位置插入一個標簽
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# tag.insert(2, obj)
# print(soup)
  • 22. insert_after,insert_before 在當前標簽后面或前面插入
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# # tag.insert_before(obj)
# tag.insert_after(obj)
# print(soup)
  • 23. replace_with 在當前標簽替換為指定標簽
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('div')
# tag.replace_with(obj)
# print(soup)
  • 24. 創建標簽之間的關系
# tag = soup.find('div')
# a = soup.find('a')
# tag.setup(previous_sibling=a)
# print(tag.previous_sibling)
  • 25. wrap，將指定標簽把當前標簽包裹起來
# from bs4.element import Tag
# obj1 = Tag(name='div', attrs={'id': 'it'})
# obj1.string = '我是一個新來的'
#
# tag = soup.find('a')
# v = tag.wrap(obj1)
# print(soup)
 
# tag = soup.find('a')
# v = tag.wrap(soup.find('p'))
# print(soup)
  • 26. unwrap，去掉當前標簽，將保留其包裹的標簽
# tag = soup.find('a')
# v = tag.unwrap()
# print(soup)

　　　

111


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 python爬蟲：BeautifulSoup庫find_all ()、find()方法詳解 python BeautifulSoup庫用法總結 Python--BeautifulSoup庫安裝 【Python3 爬蟲】U11_BeautifulSoup4庫提取數據詳解 使用Python爬蟲庫BeautifulSoup遍歷文檔樹並對標簽進行操作詳解（新手必學） python爬蟲：BeautifulSoup 使用select方法詳解 python爬蟲從入門到放棄（六）之 BeautifulSoup庫的使用 python3解析庫BeautifulSoup4 Python學習之beautifulsoup4庫的使用 python爬蟲：BeautifulSoup 庫 的基本函數用法及框架
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM