初识python 之 爬虫：BeautifulSoup 的 find、find_all、select 方法

from bs4 import BeautifulSoup

lxml 以lxml形式解析html，例：BeautifulSoup(html,'lxml') #  注：html5lib 容错率最高
find 返回找到的第一个标签
find_all 以list的形式返回找到的所有标签
limit 指定返回的标签个数
attrs 将标签属性放到一个字典中
string 获取标签下的非标签字符串(值), 返回字符串
strings 获取标签下的所有非标签字符串， 返回生成器。
stripped_strings 获取标签下的所有非标签字符串，并剔除空白字符，返回生成器。
get_text # 获取标签下的所有非标签字符串,返回字符串格式
contents、children都是返回某个标签下的直接子元素，包含字符串。 contents 返回一个列表，children 返回一个生成器

select 方法和find_all极其相似

以实际例子作说明：

1、定义一个html，并使用BeautifulSoup的lxml解析

from bs4 import BeautifulSoup
html = '''
<table>
<tr class='a1'>
    <td>职位名称</td>
    <td>职位类别</td>
    <td>时间</td>
</tr>
<tr class='a1'>
    <td><a id='test' class='test' target='_blank' href='https://www.baidu.com/'>职位一</a></td>
    <td>类别一</td>
    <td>时间1</td>
</tr>
<tr class='a2'>
    <td><a id='test' class='test' target='_blank' href='https://www.baidu.com/'>职位二</a></td>
    <td>类别二</td>
    <td>时间2</td>
</tr class='a3'>
<tr>
    <td><a id='test' class='test' target='_blank' href='https://www.baidu.com/'>职位3</a></td>
    <td>类别3</td>
    <td>时间3</td>
</tr>
</table>
<div>
这是一个div
<p>
<!-- 这是一个注释 -->
</p>
</div>
'''
soup = BeautifulSoup(html,'lxml') # 解析html

 find_all

2、获取所有的tr标签 

find 返回找到的第一个标签，find_all以list的形式返回找到的所有标签

trs = soup.find_all('tr') # 返回列表
n=1
for i in trs:
    print('第{}个tr标签：'.format(n))
    print(i)
    n+=1

3、获取第二个tr标签

limit 可指定返回的标签数量

trs = soup.find_all('tr',limit=2)[1]  # 从列表中获取第二个元素，limit 获取标签个数
print(trs)

4、获取class='a1'的tr标签

　a.方法一： class_

trs = soup.find_all('tr',class_='a1')
n=1
for i in trs:
    print('第{}个class=''a1''的tr标签：'.format(n))
    print(i)
    n+=1

　b.方法二：attrs 将标签属性放到一个字典中

trs = soup.find_all('tr',attrs={'class':'a1'})
n=1
for i in trs:
    print('第{}个class=''a1''的tr标签：'.format(n))
    print(i)
    n+=1

5、提取所有id='test'且class='test'的a标签

　方法一：class_

alist = soup.find_all('a',id='test',class_='test')
n=1
for i in alist:
    print('第{}个id=''test''且class=''test''的a标签：'.format(n))
    print(i)
    n+=1

　方法二：attrs

alist = soup.find_all('a',attrs={'id':'test','class':'test'})
n=1
for i in alist:
    print('第{}个id=''test''且class=''test''的a标签：'.format(n))
    print(i)
    n+=1

6、获取所有a标签的href属性

alist = soup.find_all('a')

#方法一：通过下标获取
for a in alist:
    href = a['href']
    print(href)

#方法二： 通过attrs获取
for a in alist:
    href = a.attrs['href']
    print(href)

7、获取所有的职位信息(所有文本信息)

string 获取标签下的非标签字符串(值), 返回字符串

注：第一个tr为标题信息，不获取。从第二个tr开始获取。

trs = soup.find_all('tr')[1:]
movies = []
for tr in trs:
    move = {}
    tds = tr.find_all('td')
    move['td1'] = tds[0].string  # string 取td的值
    move['td2'] = tds[1].string
    move['td3'] = tds[2].string
    movies.append(move)
print(movies)

8、获取所有非标记性字符

strings 获取标签下的所有非标签字符串， 返回生成器。

trs = soup.find_all('tr')[1:]
for tr in trs:
    infos = list(tr.strings)  # 获取所有非标记性字符，包含换行、空格
    print(infos)

9、获取所有非空字符

stripped_strings 获取标签下的所有非标签字符串，并剔除空白字符，返回生成器。

trs = soup.find_all('tr')[1:]
for tr in trs:
    infos = list(tr.stripped_strings)  # 获取所有非空字符，不包含换行、空格
    print(infos)

# stripped_strings 获取所有职位信息
trs = soup.find_all('tr')[1:]
movies = []
for tr in trs:
    move = {}
    infos = list(tr.stripped_strings)
    move['职位'] = infos[0]
    move['类别'] = infos[1]
    move['时间'] = infos[2]
    movies.append(move)
print(movies)

10、get_text 获取所有职位信息

get_text  获取标签下的所有非标签字符串,返回字符串格式

trs = soup.find_all('tr')[1]
text = trs.get_text() # 返回字符串格式
print(text)

select 

11、获取所有tr标签

trs = soup.select('tr')
for i in trs:
    print('tr标签：',i)

12、获取第二个tr标签

trs = soup.select('tr')[1]
print(trs)

13、获取所有class="al"的tr标签

# 方法一：
trs = soup.select('tr.a1')  # tr标签的class属性
for i in trs:
    print(i)

# 方法二：
trs = soup.select('tr[class="a1"]')  # tr标签的class属性
for i in trs:
    print(i)

14、提取所有a标签的href属性

# 方法一：
a = soup.select('a')
for i in a:
    print(i['href'])

# 方法二：
a = soup.select('a')
for i in a:
    print(i.attrs['href'])

15、获取所有的职位信息

trs = soup.select('tr')
for i in trs:
    print(list(i.stripped_strings))