[爬虫] BeautifulSoup库

Beautiful Soup库基础知识

Beautiful Soup库是解析xml和html的功能库。html、xml大都是一对一对的标签构成，所以Beautiful Soup库是解析、遍历、维护“标签树”的功能库，只要提供的是标签类型Beautiful Soup库都可以进行很好的解析。

Beauti Soup库的导入

from bs4 import BeautifulSoup

import bs4

html文档 == 标签树 == BeautifulSoup类可以认为三者是等价的

>>>from bs4 import BeautifulSoup

>>>soup = BeautifulSoup('<html>data</html>','html.parser')

>>>soup1=BeautifulSoup(open(r'D:\demo.html'),'html.parser')

简单来说一个BeautifulSoup类对应一个html文档的全部内容。如上面的soup、soup1都对应一个html文档。

Beautiful Soup类的基本元素

Tag 标签最基本的信息组织单元，分别用<></>开头结尾，通过soup.<标签>获得
Name 标签名字，通过<标签>.name获取到
Attribute 标签的属性，字典形式，通过<标签>.attrs获取
Navigablestring 标签对之间的字符串，通过<标签>.string获取
Comment 标签内字符串的注释部分，一种特殊的Comment类型

soup.标签名 可获得该标签信息，当存在多个一样的标签时，默认返回第一个标签的信息。

>>> soup=BeautifulSoup(demo,'html.parser')

>>> soup.title

<title>四大美女</title>

>>> soup.a

<a href="http://www.baidu.com" target="_blank"><img alt="" heigth="200" src="picture/1.png" title="貂蝉" width="150"/></a>

soup.标签.name 可获取标签的名字，以字符串形式返回

>>> soup.a.name        #获取a标签的名字

'a'

>>> soup.a.parent.name #获取a标签的上级标签名字

'p'

>>> soup.a.parent.parent.name #获取a标签的上上级标签的名字

'hr'

soup.标签.attrs 可获得标签的属性，以字典形式返回

>>> soup.a.attrs      #获取a标签的属性，字典返回

{'href': 'http://www.baidu.com', 'target': '_blank'}

>>> tag = soup.a.parent

>>> tag.name         #获取p标签的属性，字典返回

'p'

>>> tag.attrs

{'align': 'center'}

因为返回的是字典可以采用字典的方法对其进行信息的提取。

>>> for i,j in soup.a.attrs.items(): #for循环遍历字典

    print(i,j)

href http://www.baidu.com

target _blank

>>> soup.a.attrs['href']             #获取某个key的value值

'http://www.baidu.com'

>>> soup.a.attrs.keys()              #获取字典所有的keys

dict_keys(['href', 'target'])

>>> soup.a.attrs.values()            #获取字典所有values

dict_values(['http://www.baidu.com', '_blank'])

soup.标签.string 可以获取标签之间的文本，返回字符串

>>> soup.title.string   #获取title表之间的文本

'四大美女'

>>> soup.a.string       #获取a标签之间的文本，没有返回空

>>> soup.a

<a href="http://www.baidu.com" target="_blank"><img alt="" heigth="200" src="picture/1.png" title="貂蝉" width="150"/></a>

基于bs4库的HTML的遍历方法

HTML基本格式

标签树的下行遍历

属性及说明

.contents 子节点的列表，将<tag>标签所有儿子节点存入列表
.children 子节点的迭代类型，与.content类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

>>> soup.head

<head>

<meta charset="utf-8">

<title>四大美女</title>

</meta></head>

>>> soup.head.contents                #获取head标签下的儿子节点

['\n', <meta charset="utf-8">

<title>四大美女</title>

</meta>]

>>> len(soup.body.contents)          #通过len函数获取body标签的儿子节点个数

3

>>> for i in soup.body.children:     #遍历body标签的儿子节点

    print(i)

>>> for i in soup.body.descendants:  #遍历body标签所有的儿子、子孙节点

    print(i)

标签树的上行遍历

.parent 当前节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点。

标签树的平行遍历

.next_sibling 返回按照html文本顺序的下一个平行节点标签
.previous_sibling 返回按照html文本顺序的上一个平行节点标签
.next_siblings 迭代类型，返回按照html文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照html文本顺序的前续所有平行节点标签

总结如下图：

bs4库的prettify()方法--让HTML内容更加“友好”的显示

信息提取

Beautiful Soup库提供了<>.find_all()函数，返回一个列表类型，存储查找的结果。

详细介绍如下：

<>.find_all(name, attrs, recursive, string,**kwargs)

<tag>(...) == <tag>.find_all(...)

soup(...) == soup.find_all(...)

name : 对标签名称的检索字符串
attrs: 对标签属性值的检索字符串，可标注属性检索
recursive : 是否对子孙全部检索，默认 True
string : <>...</>中字符串区域的检索字符串

>>> soup.find_all('p',target='_blank')     #查找p标签，而且属性值是_blank的

[]

>>> soup.find_all(id='su')          #查找id属性值是su的标签

[<input class="bg s_btn" id="su" type="submit" value="百度一下"/>]