爬蟲-使用BeautifulSoup4（bs4）解析html數據

本文轉載自查看原文 2021-01-24 00:38 724 爬蟲

Beautiful Soup 是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。

一、安裝

sudo pip3 install beautifulsoup4

二、使用

導入模塊
```
from bs4 import BeautifulSoup
```

創建BeautifulSoup對象

In [1]: from bs4 import BeautifulSoup

In [2]: text = '''
   ...: <div>
   ...:     <ul>
   ...:         <li class="item-0" id="first"><a href="link1.html">first item</a></li>
   ...:         <li class="item-1"><a href="link2.html">second item</a></li>
   ...:         <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
   ...:         <li class="item-1"><a href="link4.html">fourth item</a></li>
   ...:         <li class="item-0"><a href="link5.html">fifth item</a></li>
   ...:     </ul>
   ...: </div>
   ...: '''

In [3]: bs = BeautifulSoup(text)#創建BeautifulSoup對象，可以直接傳入字符串

In [4]: bs1 = BeautifulSoup(open('./test.html'))#也可以傳入文件對象

In [5]: bs
Out[5]: 
<html><body><div>
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>

創建Beautiful Soup對象時，既可以傳入字符串，也可以傳入文件對象。它將復雜HTML文檔轉換成一個復雜的樹形結構，並且會自動修正文檔，像上述例子中補齊了html和body節點，每個節點都是Python對象

獲取Tag對象

In [6]: bs.ul #獲取ul標簽內容
Out[6]: 
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>

In [7]: type(bs.ul)
Out[7]: bs4.element.Tag

In [8]: bs.li #獲取li標簽內容，注意返回的是第一個符合要求的標簽
Out[8]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [12]: bs.ul.li.a #可疊加查找標簽
Out[12]: <a href="link1.html">first item</a>

通過Beautiful Soup對象后面接上‘.標簽名’來獲取需要查找的標簽，可疊加

Tag對象常用屬性

name-----顯示標簽名

In [13]: bs.name #大部分時候，可以把BeautifulSoup當作Tag對象，是一個特殊的 Tag
Out[13]: '[document]'

In [14]: bs.li.name
Out[14]: 'li

BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 Tag 對象

attrs----以字典的方式顯示該標簽所有屬性

In [15]: bs.attrs
Out[15]: {}

In [16]: bs.li.attrs #以字典的形式顯示所有屬性
Out[16]: {'class': ['item-0'], 'id': 'first'}

In [17]: bs.li.attrs['id'] #獲取具體的某個屬性方法1
Out[17]: 'first'

In [18]: bs.li['id'] #獲取具體屬性方法2，'.attrs'可省略
Out[18]: 'first'

In [19]: bs.li.get('id')#獲取具體 屬性方法3，利用get方法
Out[19]: 'first'

text----獲取標簽里面的內容

In [20]: bs.li.text #獲取第一個li標簽里面的內容，由於li標簽里面只有唯一的a標簽了，會返回最里面a標簽的內容
Out[20]: 'first item'

In [21]: bs.li.a.text #返回a標簽的內容
Out[21]: 'first item'

注意：如果標簽內容是一個注釋，則注釋符號會被去掉，比如“”，則返回"這是一個注釋"

contents----將直接子節點以列表的形式輸出，同時也包含換行符'\n'

In [22]: bs.ul.contents
Out[22]: 
['\n',
 <li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 '\n',
 <li class="item-1"><a href="link2.html">second item</a></li>,
 '\n',
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 '\n',
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 '\n',
 <li class="item-0"><a href="link5.html">fifth item</a></li>,
 '\n']

chilldren----將直接子節點以列表生成器的形式輸出，也包括換行符‘\n

In [28]: bs.ul.children #返回的是列表生成器對象
Out[28]: <list_iterator at 0x7f2d9e90ea30>

In [29]: for child in bs.ul.children:
    ...:     print(child)
    ...: 


<li class="item-0" id="first"><a href="link1.html">first item</a></li>


<li class="item-1"><a href="link2.html">second item</a></li>


<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>


<li class="item-1"><a href="link4.html">fourth item</a></li>


<li class="item-0"><a href="link5.html">fifth item</a></li>

descendants----返回的是一個生成器對象，進行迭代取值的時候，會遞歸循環的顯示所有子孫節點

In [30]: bs.ul.descendants #返回的是一個生成器對象，進行迭代取值的時候，會遞歸循環的顯示所有子孫節點
Out[30]: <generator object Tag.descendants at 0x7f2d9e79fc80>

In [31]: for d in bs.ul.descendants:
    ...:     print(d)
    ...: 


<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<a href="link1.html">first item</a>
first item


<li class="item-1"><a href="link2.html">second item</a></li>
<a href="link2.html">second item</a>
second item


<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<a href="link3.html"><span class="bold">third item</span></a>
<span class="bold">third item</span>
third item


<li class="item-1"><a href="link4.html">fourth item</a></li>
<a href="link4.html">fourth item</a>
fourth item


<li class="item-0"><a href="link5.html">fifth item</a></li>
<a href="link5.html">fifth item</a>
fifth item

Tag對象常用方法

find（self, name=None, attrs={}, recursive=True, text=None,**kwargs）----------只返回第一個匹配的對象

name參數----過濾標簽名，可以傳入字符串、正則以及列表3種形式

In [32]: bs.find('li') #查找第一個匹配的li標簽
Out[32]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [33]: bs.find(['li','a']) #查找第一個匹配的li標簽或者a標簽
Out[33]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [34]: import re

In [35]: bs.find(re.compile(r'^l')) #查找第一個以l開頭的標簽，li標簽匹配上
Out[35]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [36]: bs.find(re.compile(r'l$')) #查找第一個以l結尾的標簽，html標簽符合
Out[36]: 
<html><body><div>
<ul>
<li class="item-0" id="first"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>

attrs參數----過濾屬性，dict類型

In [37]: bs.find(attrs={'class':'item-1'}) #查找class屬性為item-1的第一個標簽
Out[37]: <li class="item-1"><a href="link2.html">second item</a></li>

recursive參數----如果為True，表示是否遞歸地從子孫節點中去查找匹配對象。否則只從直接子節點中進行查找

In [38]: bs.find('li',recursive=True) #遞歸查找，能夠匹配到li對象
Out[38]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [39]: bs.find('li',recursive=False) #從直接子節點（即html）中無法找到li標簽

In [40]: bs.ul.find('li',recursive=False) #ul的直接子節點為li標簽，所以能夠匹配到
Out[40]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

text參數----可以搜索文檔中匹配的內容，和name參數一樣，有字符串、正則、列表這3種形式

In [41]: bs.find(text='first item') #查找字符串，需要傳入完整內容，否則無法匹配
Out[41]: 'first item'

In [42]: bs.find(text=re.compile(r'item'))#查找第一個包含item的內容
Out[42]: 'first item'

In [43]: bs.find(text=re.compile(r'ir'))#查找第一個包含ir的內容
Out[43]: 'first item'

In [44]: bs.find(text=['second item','third item']) #查找內容為second item或third item的第一個內容
Out[44]: 'second item'

其它關鍵字參數----關鍵字為屬性名，但是注意不能直接傳入和python關鍵字重名的class屬性，需要在class后面加上下划線，即修改為"class_"

In [45]: bs.find(id='first') #id屬性作為關鍵字參數進行查找
Out[45]: <li class="item-0" id="first"><a href="link1.html">first item</a></li>

In [43]: bs.find(href='link4.html') #href屬性作為關鍵字參數進行查找
Out[43]: <a href="link4.html">fourth item</a>

In [44]: bs.find(class='item-inactive') #和python關鍵字class重名的class屬性則會報錯
  File "<ipython-input-42-a9ab4a3f6cee>", line 1
    bs.find(class='item-inactive')
            ^
SyntaxError: invalid syntax

find_all（self, name=None, attrs={}, recursive=True, text=None,**kwargs）----以列表的形式返回所有能夠匹配到的對象，所有參數用法同find（）方法

In [45]: bs.find_all('li') #查找所有的li標簽
Out[45]: 
[<li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 <li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 <li class="item-0"><a href="link5.html">fifth item</a></li>]

In [46]: bs.find_all('li',attrs={"class":"item-1"}) #查找所有的li標簽，並且class屬性為item-1
Out[46]: 
[<li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>]

get（）方法----獲取對象的特定屬性

In [47]: bs.li.get('class') #class屬性因為可以有多個，所以返回的是列表形式
Out[47]: ['item-0']

In [48]: bs.find(attrs={"class":"item-0"}).get('id') #以字符串的形式返回id屬性值
Out[48]: 'first'

In [49]: bs.find_all('a')[1].get('href')
Out[49]: 'link2.html'

get_text（）方法----獲取標簽里面的內容，同text屬性返回的結果一樣

In [50]: bs.li.get_text() #獲取第一個li最里面的內容
Out[50]: 'first item'

In [51]: bs.find(attrs={"class":"bold"}).get_text() #獲取class屬性為bold標簽(即span標簽)里面的內容
Out[51]: 'third item'

In [52]: bs.find_all('a')[3].get_text() #獲取第4個a標簽里面的內容
Out[52]: 'fourth item'

select（）方法----css選擇器，同find_all方法有點類似，返回的是列表

通過標簽名查找

In [53]: bs.select('li') #查找所有li標簽
Out[53]: 
[<li class="item-0" id="first"><a href="link1.html">first item</a></li>,
 <li class="item-1"><a href="link2.html">second item</a></li>,
 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>,
 <li class="item-1"><a href="link4.html">fourth item</a></li>,
 <li class="item-0"><a href="link5.html">fifth item</a></li>]

通過類名查找，類名前加上'.'

In [54]: bs.select('.bold') #查找class='bold'的標簽
Out[54]: [<span class="bold">third item</span>]

通過id查找，id前加上'#'

In [55]: bs.select('#first') #查找id為first的標簽
Out[55]: [<li class="item-0" id="first"><a href="link1.html">first item</a></li>]

混合查找

In [56]: bs.select('.item-0 a') #查找class="item-0"下的a標簽
Out[56]: [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

In [57]: bs.select('#first a') #查找id="first"下面的a標簽
Out[57]: [<a href="link1.html">first item</a>]

In [58]: bs.select('ul span') #查找ul下面的span標簽
Out[58]: [<span class="bold">third item</span>]

In [59]: bs.select('ul>span') #標簽后面帶上">"表示直接子標簽，因為span標簽不是ul的直接子標簽，所以匹配不到
Out[59]: []

In [60]: bs.select('a>span') #span標簽是a標簽的子標簽，所以能匹配到
Out[60]: [<span class="bold">third item</span>]

直接子標簽查找，則使用 > 分隔

通過屬性查找

In [61]: bs.select('li[class="item-inactive"]') #查找class屬性為'item-inactive'的li標簽
Out[61]: [<li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>]

In [62]: bs.select('a[href="link2.html"]') #查找href屬性為'link2.html'的a標簽
Out[62]: [<a href="link2.html">second item</a>]

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 爬蟲之數據解析（bs4，Xpath） html 網頁源碼解析：bs4中BeautifulSoup python 在linux上面安裝beautifulsoup4(bs4) No module named 'bs4' 爬蟲解析之(六) --- bs4模塊爬蟲系列二(數據清洗--->bs4解析數據) bs4 python解析html Python網絡爬蟲(數據解析-bs4模塊) python爬蟲數據提取之bs4的使用方法 BeautifulSoup4 提取數據爬蟲用法詳解網頁解析 -- bs4 和 xpath 的簡單使用