Python 爬蟲從入門到進階之路（十二）

豐寸發表於2019-07-05
Python爬蟲

之前的文章我們介紹了 re 模組和 lxml 模組來做爬蟲，本章我們再來看一個 bs4 模組來做爬蟲。

和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 資料。

lxml 只會區域性遍歷，而Beautiful Soup 是基於HTML DOM的，會載入整個文件，解析整個DOM樹，因此時間和記憶體開銷都會大很多，所以效能要低於lxml。

BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支援CSS選擇器、Python標準庫中的HTML解析器，也支援 lxml 的 XML解析器。

Beautiful Soup 3 目前已經停止開發，推薦現在的專案使用Beautiful Soup 4。使用 pip 安裝即可：pip install beautifulsoup4

官方文件：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

抓取工具速度使用難度安裝難度
正則 最快 困難 無（內建）
BeautifulSoup 慢 最簡單 簡單
lxml 快 簡單 一般

首先必須要匯入 bs4 庫

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 # 開啟本地 HTML 檔案的方式來建立物件
19 # soup = BeautifulSoup(open('index.html'), "lxml")
20 
21 # 格式化輸出 soup 物件的內容
22 print(soup.prettify())

執行結果：

 1 <html>
 2  <body>
 3   <div>
 4    <ul>
 5     <li class="item-0">
 6      <a href="link1.html">
 7       first item
 8      </a>
 9     </li>
10     <li class="item-1">
11      <a href="link2.html">
12       second item
13      </a>
14     </li>
15     <li class="item-inactive">
16      <a href="link3.html">
17       <span class="bold">
18        third item
19       </span>
20      </a>
21     </li>
22     <li class="item-1">
23      <a href="link4.html">
24       fourth item
25      </a>
26     </li>
27     <li class="item-0">
28      <a href="link5.html">
29       fifth item
30      </a>
31     </li>
32    </ul>
33   </div>
34  </body>
35 </html>

四大物件種類

Beautiful Soup將複雜HTML文件轉換成一個複雜的樹形結構,每個節點都是Python物件,所有物件可以歸納為4種:

  • Tag
  • NavigableString
  • BeautifulSoup
  • Comment

1. Tag

Tag 通俗點講就是 HTML 中的一個個標籤，例如：

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
19 print(soup.a)  # <a href="link1.html">first item</a>
20 print(soup.span)  # <span class="bold">third item</span>
21 print(soup.p)  # None
22 print(type(soup.li))  # <class 'bs4.element.Tag'>

我們可以利用 soup 加標籤名輕鬆地獲取這些標籤的內容，這些物件的型別是bs4.element.Tag。但是注意，它查詢的是在所有內容中的第一個符合要求的標籤。如果要查詢所有的標籤，後面會進行介紹。

 

對於 Tag，它有兩個重要的屬性，是 name 和 attrs
 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.attrs)  # {'class': ['item-0']}
19 print(soup.li["class"])  # ['item-0']
20 print(soup.li.get('class'))  # ['item-0']
21 
22 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
23 soup.li["class"] = "newClass"  # 可以對這些屬性和內容等等進行修改
24 print(soup.li)  # <li class="newClass"><a href="link1.html">first item</a></li>
25 
26 del soup.li['class']  # 還可以對這個屬性進行刪除
27 print(soup.li)  # <li><a href="link1.html">first item</a></li>

 

 

2. NavigableString

既然我們已經得到了標籤的內容，那麼問題來了，我們要想獲取標籤內部的文字怎麼辦呢？很簡單，用 .string 即可，例如

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.string)  # first item
19 print(soup.a.string)  # first item
20 print(soup.span.string)  # third item
21 # print(soup.p.string)  # AttributeError: 'NoneType' object has no attribute 'string'
22 print(type(soup.li.string))  # <class 'bs4.element.NavigableString'>

3. BeautifulSoup

BeautifulSoup 物件表示的是一個文件的內容。大部分時候,可以把它當作 Tag 物件，是一個特殊的 Tag，我們可以分別獲取它的型別，名稱，以及屬性來感受一下

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.name)  # [document]
19 print(soup.attrs)  # {}, 文件本身的屬性為空
20 print(type(soup.name))  # <class 'str'>

4. Comment

Comment 物件是一個特殊型別的 NavigableString 物件，其輸出的內容不包括註釋符號。

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 6  </div>
 7 """
 8 
 9 # 建立 Beautiful Soup 物件
10 soup = BeautifulSoup(html, "lxml")
11 
12 print(soup.a)  # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
13 print(soup.a.string)  # Elsie 
14 print(type(soup.a.string))  # <class 'bs4.element.Comment'>

a 標籤裡的內容實際上是註釋，但是如果我們利用 .string 來輸出它的內容時，註釋符號已經去掉了。

 

遍歷文件樹

1. 直接子節點 ：.contents .children 屬性

.content

tag 的 .content 屬性可以將tag的子節點以列表的方式輸出，輸出方式為列表，我們可以用列表索引來獲取它的某一個元素

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.contents)  # [<a href="link1.html">first item</a>]
19 print(soup.li.contents[0])  # <a href="link1.html">first item</a>

.children

它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。

我們列印輸出 .children 看一下，可以發現它是一個 list 生成器物件

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.ul.children)  # <list_iterator object at 0x106388a20>
19 for child in  soup.ul.children:
20     print(child)

輸出結果：

 1 <li class="item-0"><a href="link1.html">first item</a></li>
 2 
 3 
 4 <li class="item-1"><a href="link2.html">second item</a></li>
 5 
 6 
 7 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 8 
 9 
10 <li class="item-1"><a href="link4.html">fourth item</a></li>
11 
12 
13 <li class="item-0"><a href="link5.html">fifth item</a></li>

2. 所有子孫節點: .descendants 屬性

.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞迴迴圈，和 children類似，我們也需要遍歷獲取其中的內容。

1 for child in  soup.ul.descendants:
2     print(child)

執行結果：

 1 <li class="item-0"><a href="link1.html">first item</a></li>
 2 <a href="link1.html">first item</a>
 3 first item
 4 
 5 
 6 <li class="item-1"><a href="link2.html">second item</a></li>
 7 <a href="link2.html">second item</a>
 8 second item
 9 
10 
11 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
12 <a href="link3.html"><span class="bold">third item</span></a>
13 <span class="bold">third item</span>
14 third item
15 
16 
17 <li class="item-1"><a href="link4.html">fourth item</a></li>
18 <a href="link4.html">fourth item</a>
19 fourth item
20 
21 
22 <li class="item-0"><a href="link5.html">fifth item</a></li>
23 <a href="link5.html">fifth item</a>
24 fifth item

 

搜尋文件樹

1.find_all(name, attrs, recursive, text, **kwargs)

1）name 引數

name 引數可以查詢所有名字為 name 的 tag，字串物件會被自動忽略掉

A.傳字串

最簡單的過濾器是字串.在搜尋方法中傳入一個字串引數,Beautiful Soup會查詢與字串完整匹配的內容,下面的例子用於查詢文件中所有的<span>標籤:

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all('span'))  # [<span class="bold">third item</span>]
B.傳正規表示式

如果傳入正規表示式作為引數,Beautiful Soup會通過正規表示式的 match() 來匹配內容.下面例子中找出所有以 s 開頭的標籤,這表示 <span> 標籤都應該被找到

 1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 物件
17 soup = BeautifulSoup(html, "lxml")
18 for tag in soup.find_all(re.compile("^s")):
19     print(tag)
20 # <span class="bold">third item</span>
C.傳列表

如果傳入列表引數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面程式碼找到文件中所有 <a> 標籤和 <span> 標籤:

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all(["a", "span"]))
18 # [<a href="link1.html">first item</a>, <a href="link2.html">second item</a>, <a href="link3.html"><span class="bold">third item</span></a>, <span class="bold">third item</span>, <a href="link4.html">fourth item</a>, <a href="link5.html">fifth item</a>]

2）keyword 引數

 1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 物件
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all(href='link1.html'))  # [<a href="link1.html">first item</a>]

3）text 引數

通過 text 引數可以搜搜文件中的字串內容，與 name 引數的可選值一樣, text 引數接受 字串 , 正規表示式 , 列表

 1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 物件
17 soup = BeautifulSoup(html, "lxml")
18 print(soup.find_all(text="first item"))  # ['first item']
19 print(soup.find_all(text=["first item", "second item"]))  # ['first item', 'second item']
20 print(soup.find_all(text=re.compile("item")))  # ['first item', 'second item', 'third item', 'fourth item', 'fifth item']

CSS選擇器

這就是另一種與 find_all 方法有異曲同工之妙的查詢方法.

  • 寫 CSS 時，標籤名不加任何修飾，類名前加.，id名前加#

  • 在這裡我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回型別是 list

（1）通過標籤名查詢

 1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 物件
17 soup = BeautifulSoup(html, "lxml")
18 print(soup.select('span'))  # [<span class="bold">third item</span>]

（2）通過類名查詢

1 print(soup.select('.item-0'))  
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]

（3）通過 id 名查詢

print(soup.select('#item-0'))  # []

（4）組合查詢

1 print(soup.select('li.item-0'))
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]
3 print(soup.select('li.item-0>a')) 
4 # [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

（5）屬性查詢

1 print(soup.select('a[href="link1.html"]'))  # [<a href="link1.html">first item</a>]

  (6) 獲取內容

1 for text in soup.select('li'):
2     print(text.get_text())
3 """
4 first item
5 second item
6 third item
7 fourth item
8 fifth item
9 """

 

相關文章