BeautifulSoup4庫
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(Document Object Model)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。
Beautiful Soup 3 目前已經停止開發,推薦現在的專案使用Beautiful Soup 4。
安裝和文件:
安裝:pip install bs4
中文文件:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
幾大解析工具對比:
安裝解析器
- pip install lxml (推薦)
- pip install html5lib
推薦使用lxml作為解析器,因為效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必須安裝lxml或html5lib, 因為那些Python版本的標準庫中內建的HTML解析方法不夠穩定.
提示: 如果一段HTML或XML文件格式不正確的話,那麼在不同的解析器中返回的結果可能是不一樣的,檢視 解析器之間的區別 瞭解更多細節
簡單使用:
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""
soup = BeautifulSoup(html,'lxml')
print(soup.prettify())
常見的四種物件:
1.Tag:
Tag 通俗點講就是 HTML 中的一個個標籤。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。
2.NavigableString:
如果拿到標籤後,還想獲取標籤中的內容。那麼可以通過tag.string
獲取標籤中的文字,底層繼承了str
物件,可以當作字串來使用
from bs4.element import NavigableString
3. BeautifulSoup:
BeautifulSoup 物件表示的是一個文件的全部內容.大部分時候,可以把它當作 Tag 物件,因為底層繼承了Tag物件,它支援 遍歷文件樹 和 搜尋文件樹 中描述的大部分的方法.
from bs4 import BeautifulSoup
4.Comment:
Tag , NavigableString , BeautifulSoup 幾乎覆蓋了html和xml中的所有內容,但是還有一些特殊物件.容易讓人擔心的內容是文件的註釋部分
Comment 物件是一個特殊型別的 NavigableString 物件,底層繼承了NavigableString
;
from bs4.element import Comment
遍歷文件樹:
contents和children:
-
contents和children:
- contents:返回所有子節點的列表
- children:返回所有子節點的迭代器
異同:返回某個標籤下的直接子元素,其中也包括字串。他們兩的區別是:contents返回來的是一個列表,children返回的是一個迭代器。
-
strings 和 stripped_strings
- strings:如果tag中包含多個字串 ,可以使用
.strings
來迴圈獲取 - stripped_strings:輸出的字串中可能包含了很多空格或空行,使用
.stripped_strings
可以去除多餘空白內容
- strings:如果tag中包含多個字串 ,可以使用
string和strings、stripped_strings屬性以及get_text方法
- string:獲取某個標籤下的非標籤字串。返回來的是個字串。如果這個標籤下有多行字元,那麼就不能獲取到了。
- strings:獲取某個標籤下的子孫非標籤字串。返回來的是個生成器。
- stripped_strings:獲取某個標籤下的子孫非標籤字串,會去掉空白字元。返回來的是個生成器。
- get_text:獲取某個標籤下的子孫非標籤字串,以普通字串形式返回
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
<footer><!--註釋內容--></footer>
"""
# 例項化
# soup=BeautifulSoup(html,'html.parser')
soup = BeautifulSoup(html,'lxml')
# print(soup) # 自動補全
# print(soup.prettify()) # 美化輸出
'''Tag物件'''
# print(type(soup.p)) # <class 'bs4.element.Tag'> ---> Tag物件
# print(soup.p) # 返回第一個p標籤
# print(soup.p.text) # The Dormouse's story
# print(soup.p.name) # 輸出p標籤的名字 ---> p
# print(soup.title.name) # 輸出title標籤的名字 --->title
# print(soup.p.attrs) # 輸出p標籤屬性 -----> {'class': ['title'], 'name': 'dromouse'}
# print(soup.p.get('class')) # 因為class可能有多個,所以是列表
# print(soup.p['class']) # 輸出p標籤的屬性值 ----> ['title']
'''NavigableString物件,如果p標籤內套了標籤需要注意'''
# print(type(soup.p.string)) # <class 'bs4.element.NavigableString'>
# print(soup.p.string) # 獲取標籤內容,當標籤只有文字或者只有一個子文字才返回,如果有多個文字或標籤返回None----->None
# print(soup.p.text) # 當前標籤和子子孫的文字內容拼到一起 ----->HammerZeThe Dormouse's story
# print(soup.p.strings) # 把子子孫孫的文字內容放到generator -----><generator object _all_strings at 0x0000028DDAE8FA40>
# print(list(soup.p.strings)) # --> ['HammerZe', "The Dormouse's story"]
'''BeautifulSoup物件'''
# print(type(soup)) # <class 'bs4.BeautifulSoup'>
'''Comment物件'''
from bs4.element import Comment
# print(soup.footer.string) # --->註釋內容
# print(type(soup.footer.string)) # <class 'bs4.element.Comment'>
# 巢狀選擇
# print(soup.head.title.string) # The Dormouse's story
# 子節點、子孫節點
# head_tag = soup.head
# print(head_tag.contents) # 返回子節點---->[<title>The Dormouse's story</title>]
# print(soup.p.contents) # p下所有子節點,放到列表中 --->[<b>The Dormouse's story</b>]
# print(list(soup.p.children)) # 得到一個迭代器,包含p下所有子節點,跟contents本質一樣,只是節約記憶體 ---> [<b>The Dormouse's story</b>]
# print(list(soup.p.descendants)) # 獲取子孫節點,p下所有的標籤都會選擇出來 子子孫孫 ---> [<b>The Dormouse's story</b>, "The Dormouse's story"]
# for i,child in enumerate(soup.p.children):
# print(i,child)
# for i,child in enumerate(soup.p.descendants):
# print(i,child)
# 父節點、祖先節點
# print(soup.a.parent) # 獲取a標籤的父節點
# print(soup.a.parents) # <generator object parents at 0x000002042AD6FA40>
# print(list(soup.a.parents)) # 找到a標籤所有的祖先節點,父親的父親,父親的父親的父親...
# 兄弟節點
print(soup.a.next_sibling) # 下一個兄弟
print(soup.a.previous_sibling) # 上一個兄弟
print(list(soup.a.next_siblings)) # 下面的兄弟們=>生成器物件
print(soup.a.previous_siblings) # 上面的兄弟們=>生成器物件
搜尋文件樹:
find、find_all的使用:
find和find_all方法:
-
搜尋文件樹,一般用得比較多的就是兩個方法,一個是find,一個是find_all。
-
find方法是找到第一個滿足條件的標籤後就立即返回,只返回一個元素。
-
find_all方法是把所有滿足條件的標籤都選到,然後返回回去。
find與find_all的區別:
- find:找到第一個滿足條件的標籤就返回。說白了,就是隻會返回一個元素。
- find_all:將所有滿足條件的標籤都返回。說白了,會返回很多標籤(以列表的形式)。
使用find和find_all的過濾條件:
- 關鍵字引數:將屬性的名字作為關鍵字引數的名字,以及屬性的值作為關鍵字引數的值進行過濾。
- attrs引數:將屬性條件放到一個字典中,傳給attrs引數。
獲取標籤的屬性:
-
通過下標獲取:通過標籤的下標的方式。
href = a['href']
-
通過attrs屬性獲取:示例程式碼:
href = a.attrs['href']
demo1
#--coding:utf-8--
from bs4 import BeautifulSoup
html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
<tbody>
<tr class="h">
<td class="l" width="374">職位名稱</td>
<td>職位類別</td>
<td>人數</td>
<td>地點</td>
<td>釋出時間</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融雲區塊鏈高階研發工程師(深圳)</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-25</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融雲高階後臺開發</a></td>
<td>技術類</td>
<td>2</td>
<td>深圳</td>
<td>2017-11-25</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-騰訊音樂運營開發工程師(深圳)</a></td>
<td>技術類</td>
<td>2</td>
<td>深圳</td>
<td>2017-11-25</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-騰訊音樂業務運維工程師(深圳)</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-25</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高階研發工程師(深圳)</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高階影像演算法研發工程師(深圳)</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高階AI開發工程師(深圳)</a></td>
<td>技術類</td>
<td>4</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-後臺開發工程師</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-後臺開發工程師</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
<tr class="odd">
<td class="l square"><a id="test" class="test" target='_blank' href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高階業務運維工程師(深圳)</a></td>
<td>技術類</td>
<td>1</td>
<td>深圳</td>
<td>2017-11-24</td>
</tr>
</tbody>
</table>
"""
soup = BeautifulSoup(html,'lxml')
# 1. 獲取所有tr標籤
# trs = soup.find_all('tr') # 列表
# for tr in trs:
# print(tr)
# print('-'*50)
# 2. 獲取第2個tr標籤
# print(soup.find_all('tr', limit=2)[1])
# 3. 獲取所有class等於even的tr標籤
# trs = soup.find_all('tr',class_ = 'even')
# trs = soup.find_all('tr',attrs={'class':'even'})
# for tr in trs:
# print(tr)
# print('-'*50)
# 4. 將所有id等於test,class也等於test的a標籤提取出來。
# list = soup.find_all('a',id= 'test',class_='test')
# for a in list:
# print(a)
# 5. 獲取所有a標籤的href屬性
# alist = soup.find_all('a')
# for a in alist:
# #1.
# # href = a['href']
# # print(href)
# #2.
# href = a.attrs['href']
# print(href)
# 6. 獲取所有的職位資訊(純文字)
trs = soup.find_all('tr')[1:]
# print(trs)
lists = []
for tr in trs:
info = {}
tds = tr.find_all('td')
# print(tds)
name = tds[0].string
category = tds[1].string
info['name']=name
info['category']=category
# infos = list(tr.stripped_strings)
infos =tr.get_text()
print(infos)
lists.append(info)
print(lists)
demo2
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" id="id_p">lqz<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>
"""
soup = BeautifulSoup(html_doc, 'lxml')
# 1、五種過濾器: 字串、正規表示式、列表、True、方法
# find:找到第一個 find_all:找所有
# 字串 --->value值是字串
# res=soup.find_all(name='p')
# res=soup.find(id='id_p')
# res=soup.find_all(class_='story')
# res=soup.find_all(name='p',class_='story') # and條件
# res=soup.find(name='a',id='link2').text
# res=soup.find(name='a',id='link2').attrs.get('href')
# res=soup.find(attrs={'id':'link2','class':'sister'}).attrs.get('href')
# print(res)
# 正規表示式--->value是正規表示式
# import re
#
# # res=soup.find_all(name=re.compile('^b'))
# # res=soup.find_all(href=re.compile('^http'))
# res=soup.find_all(class_=re.compile('^s'))
# print(res)
# 列表 value值是列表
# res=soup.find_all(name=['body','a'])
# res=soup.find_all(class_=['sister','story'])
# res=soup.find_all(id=['link2','link3'])
# print(res)
# True value值是True
# res=soup.find_all(name=True)
# res=soup.find_all(id=True)
# res=soup.find_all(href=True)
# print(res)
# 方法
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
#
# print(soup.find_all(name=has_class_but_no_id)) # 有class但是沒有id的標籤
#1 html頁面中,只要有的東西,通過bs4都可以解析出來
#2 遍歷文件樹+搜尋文件樹混用
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
# print(soup.find(name=has_class_but_no_id).a.text)
# 3 find_all的其他引數limit:限制取幾條 recursive:是否遞迴查詢
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
# res=soup.find_all(name=has_class_but_no_id,limit=1)
#
# print(res)
#
# res=soup.find_all(name='a',recursive=False) #不遞迴查詢,速度快,只找一層
# print(res)
CSS選擇器:
select方法:
使用以上方法可以方便的找出元素。但有時候使用css
選擇器的方式可以更加的方便。使用css
選擇器的語法,應該使用select
方法。以下列出幾種常用的css
選擇器方法:
(1)通過標籤名查詢:
print(soup.select('a'))
(2)通過類名查詢:
通過類名,則應該在類的前面加一個.
。比如要查詢class=sister
的標籤。示例程式碼如下:
print(soup.select('.sister'))
(3)通過id查詢:
通過id查詢,應該在id的名字前面加一個#號。示例程式碼如下:
print(soup.select("#link1"))
(4)組合查詢:
組合查詢即和寫 class 檔案時,標籤名與類名、id名進行的組合原理是一樣的,例如查詢 p 標籤中,id 等於 link1的內容,二者需要用空格分開:
print(soup.select("p #link1"))
直接子標籤查詢,則使用 > 分隔:
print(soup.select("head > title"))
(5)通過屬性查詢:
查詢時還可以加入屬性元素,屬性需要用中括號括起來,注意屬性和標籤屬於同一節點,所以中間不能加空格,否則會無法匹配到。示例程式碼如下:
print(soup.select('a[href="http://example.com/elsie"]'))
(6)獲取內容
以上的 select 方法返回的結果都是列表形式,可以遍歷形式輸出,然後用 get_text() 方法來獲取它的內容。
soup = BeautifulSoup(html, 'lxml')
print(type(soup.select('title')))
print(soup.select('title')[0].get_text())
for title in soup.select('title'):
print(title.get_text())
(7) 頁面複製
# 終極大招
import requests
response=requests.get('https://www.runoob.com/cssref/css-selectors.html')
soup=BeautifulSoup(response.text,'lxml')
res=soup.select_one('#content > table > tbody > tr:nth-child(2) > td:nth-child(3)').text
print(res)