細(xì)說(shuō)Beautiful Soup4，你學(xué)會(huì)了嗎？

作者：愛(ài)編碼的社畜 2023-01-04 17:59:00

Beautiful Soup 將復(fù)雜 HTML 文檔轉(zhuǎn)換成一個(gè)復(fù)雜的樹(shù)形結(jié)構(gòu)，每個(gè)節(jié)點(diǎn)都是 Python 對(duì)象，所有對(duì)象可以歸納為 4 種。

Beautiful Soup4是一個(gè) Python 庫(kù)，用于從 HTML 和 XML 文件中提取數(shù)據(jù)。它是一個(gè)工具箱，通過(guò)解析文檔為用戶提供需要抓取的數(shù)據(jù)，Beautiful Soup自動(dòng)將輸入文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒(méi)有指定一個(gè)編碼方式，這時(shí)，Beautiful Soup就不能自動(dòng)識(shí)別編碼方式了。

BeautifulSoup安裝

使用pip來(lái)安裝BeautifulSoup。

pip install bs4

另外要安裝解析器，下列表格列出一些常用的解析器。

使用BeautifulSoup及四大對(duì)象

1、創(chuàng)建BeautifulSoup對(duì)象

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)

print(soup.prettify())  // 格式化輸出
print(soup.get_text()) // 獲取網(wǎng)頁(yè)所有的文字內(nèi)容

2、BeautifulSoup四大對(duì)象

Beautiful Soup 將復(fù)雜 HTML 文檔轉(zhuǎn)換成一個(gè)復(fù)雜的樹(shù)形結(jié)構(gòu)，每個(gè)節(jié)點(diǎn)都是 Python 對(duì)象，所有對(duì)象可以歸納為 4 種。

Tag：HTML中的標(biāo)簽，簡(jiǎn)單來(lái)說(shuō)就是html標(biāo)簽。
NavigableString：簡(jiǎn)單來(lái)說(shuō)就是標(biāo)簽里面的內(nèi)容，它的類(lèi)型是一個(gè)NavigableString，翻譯過(guò)來(lái)叫可以遍歷的字符串。
BeautifulSoup：BeautifulSoup對(duì)象表示的是一個(gè)文檔的全部?jī)?nèi)容，大部分時(shí)候，可以把它當(dāng)作Tag對(duì)象，是一個(gè)特殊的Tag，我們可以分別獲取它的類(lèi)型、名稱、以及屬性
Comment：一個(gè)特殊類(lèi)型的NavigableString對(duì)象，其實(shí)輸出的內(nèi)容不包括注釋符號(hào)

Tag對(duì)象示例

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.title)
print(soup.a)
print(soup.p)

運(yùn)行輸出如下圖所示，但是發(fā)現(xiàn)好像這個(gè)網(wǎng)頁(yè)不止一個(gè)a標(biāo)簽跟p標(biāo)簽，是因?yàn)樗檎业氖窃谒袃?nèi)容中的第一個(gè)符合要求的標(biāo)簽，要想得到所有符合要求的標(biāo)簽，后面會(huì)介紹find_all函數(shù)。

在Tag對(duì)象中有兩個(gè)重要的屬性，name和attrs。

import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.attrs)

運(yùn)行輸出如下圖所示，name輸出的是標(biāo)簽的本身，attrs輸出的是一個(gè)字典的類(lèi)型，如果我們需要得到某個(gè)標(biāo)簽的某個(gè)屬性可以使用字典一些方法去獲取比如get方法，print(soup.p.get("class"))或者直接使用print(soup.p["class"])。

NavigableString代碼示例：

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.string)

運(yùn)行輸出如下圖，可以NavigableString類(lèi)型的string方法輕松獲取到了標(biāo)簽里面的內(nèi)容。

BeautifulSoup代碼示例：

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"

content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.name)
print(soup.attrs)

運(yùn)行輸出如下圖所示：

Comment代碼示例：

from bs4 import BeautifulSoup
htmlText = '#<a class="sister"  id="link1"><!-- Comment --></a>'
soup = BeautifulSoup(htmlText)
print(soup.a.string)

運(yùn)行輸出如下，a 標(biāo)簽里的內(nèi)容實(shí)際上是注釋?zhuān)侨绻?.string方法來(lái)輸出它的內(nèi)容，發(fā)現(xiàn)它已經(jīng)把注釋符號(hào)去掉了，所以這可能會(huì)給帶來(lái)不必要的麻煩。

文檔樹(shù)遍歷

直接子節(jié)點(diǎn)

tag里面的content屬性可以將tag的子節(jié)點(diǎn)以列表的形式返回。通過(guò)遍歷content.返回的列表來(lái)獲取每一個(gè)子節(jié)點(diǎn)或者直接使用tag的children方法來(lái)獲取。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.head.contents)
for child in soup.head.contents:
    print(child)

for child in soup.head.children:
    print(child)

運(yùn)行輸出結(jié)果如下圖所示：

所有子孫節(jié)點(diǎn)

tag里面的.descendants 屬性可以對(duì)所有tag的子孫節(jié)點(diǎn)進(jìn)行遞歸循環(huán)，和 children類(lèi)似，我們也需要遍歷獲取其中的內(nèi)容。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
for child in soup.descendants:
     print(child)

運(yùn)行結(jié)果輸出如下圖所示：

節(jié)點(diǎn)內(nèi)容

使用.string方法來(lái)獲取內(nèi)容，如果一個(gè)標(biāo)簽里面沒(méi)有標(biāo)簽了，那么 .string 就會(huì)返回標(biāo)簽里面的內(nèi)容。如果標(biāo)簽里面只有唯一的一個(gè)標(biāo)簽了，那么 .string 也會(huì)返回最里面的內(nèi)容，如果標(biāo)簽里面沒(méi)有內(nèi)容則返回None。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.string)
print(soup.title.string)

運(yùn)行結(jié)果輸出如下圖所示：

多個(gè)內(nèi)容

使用strippend_strings 屬性來(lái)獲取多個(gè)內(nèi)容還可以出除多余的空白字符，需要使用遍歷來(lái)獲取。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
for child in soup.stripped_strings:
    print(child)

運(yùn)行結(jié)果輸出如下圖所示：

父節(jié)點(diǎn)

通過(guò)元素的 .parents 屬性可以遞歸得到元素的所有父輩節(jié)點(diǎn)。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"html.parser")
parentObject = soup.head.title

for parent in parentObject.parent:
    print(parent.name)

運(yùn)行結(jié)果輸出如下圖所示：

還有一些節(jié)點(diǎn)就不舉例，跟其它獲取節(jié)點(diǎn)一樣也是需要遍歷，而且使用的場(chǎng)景不同，兄弟節(jié)點(diǎn)使用.next_siblings或者.previous_sibling方法，前后節(jié)點(diǎn)使用.next_element或者.previous_element方法。

搜索文檔樹(shù)

find_all(name,attrs,recursive,text,\kwargs)**，find_all()方法用于搜索當(dāng)前tag的所有tag子節(jié)點(diǎn)，并判斷是否符合過(guò)濾條件。

傳字符串

最簡(jiǎn)單的過(guò)濾器是字符串，在搜索方法中傳入一個(gè)字符串參數(shù)，beautifulsoup會(huì)查找與字符串完整匹配的內(nèi)容，下面的例子用于查找文檔中的所有a標(biāo)簽

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")

print(soup.find_all("a"))

運(yùn)行結(jié)果如下圖所示：

傳正則表達(dá)式

如果傳入正則表達(dá)式作為參數(shù)，beautiful soup會(huì)通過(guò)正則表達(dá)式的match()來(lái)匹配內(nèi)容，下面例子中找出所有以b開(kāi)頭的標(biāo)簽，這表示b開(kāi)頭標(biāo)簽都應(yīng)該被找到。

from bs4 import BeautifulSoup
import requests
import re
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")

for tag in soup.find_all(re.compile('^b')):
    print(tag.name)

運(yùn)行結(jié)果如下圖所示：

傳列表

如果傳入列表參數(shù),Beautiful Soup會(huì)將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有標(biāo)簽和標(biāo)簽。

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")

print(soup.find_all(["a", "p"]))

運(yùn)行結(jié)果如下圖所示：

傳True

true 可以匹配任何值,下面代碼查找到所有的tag,但是不會(huì)返回字符串節(jié)點(diǎn)。

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")

for tag in soup.find_all(True):
    print(tag.name)

運(yùn)行結(jié)果如下圖所示：

傳函數(shù)

如果沒(méi)有合適過(guò)濾器,那么還可以定義一個(gè)函數(shù)，函數(shù)只接受一個(gè)元素參數(shù),如果這個(gè)方法返回 True 表示當(dāng)前元素匹配并且被找到,如果不是則返回 False。

from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))

輸出結(jié)果如下圖所示：

keyword 參數(shù)

注意：如果一個(gè)指定名字的參數(shù)不是搜索內(nèi)置的參數(shù)名，搜索時(shí)會(huì)把該參數(shù)當(dāng)作指定名字tag的屬性來(lái)搜索，如果包含一個(gè)名字為id的參數(shù)，Beautifulsoup會(huì)搜索每個(gè)tag的'id'值。

import re
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.find_all(id='lg'))
print(soup.find_all(href=re.compile("hao123")))

運(yùn)行結(jié)果如下圖所示：

find(name , attrs , recursive , text , **kwargs )，它與 find_all() 方法唯一的區(qū)別是 find_all() 方法的返回結(jié)果是值包含一個(gè)元素的列表,而 find() 方法直接返回結(jié)果。?

CSS選擇器

在使用BeautifulSoup中常用的有5中css選擇器方法，用到的方法是 soup.select()，返回類(lèi)型是列表。

通過(guò)標(biāo)簽名查找

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select("title"))

運(yùn)行結(jié)果如下圖所示：

通過(guò)CSS類(lèi)名查找

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select(".mnav"))

運(yùn)行結(jié)果如下圖所示：

通過(guò)ID來(lái)查找

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select("#lg"))

運(yùn)行結(jié)果如下圖所示：

組合查找

組合查找有點(diǎn)類(lèi)似前端CSS選擇器中的組合選擇器，組合查找還可以使用子代選擇器。

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('div #lg'))

print(soup.select('div > a'))

運(yùn)行結(jié)果如下圖所示：

通過(guò)CSS屬性查找

使用屬性需要用中括號(hào)括起來(lái)，注意屬性和標(biāo)簽屬于同一節(jié)點(diǎn)，所以中間不能加空格，否則會(huì)無(wú)法匹配到。

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('a[class="mnav"]'))

不同節(jié)點(diǎn)使用屬性查找

from bs4 import BeautifulSoup
import requests

url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('span input[class="bg s_btn"]'))

運(yùn)行結(jié)果如下圖所示：

修改文檔樹(shù)

Beautiful Soup的強(qiáng)項(xiàng)是文檔樹(shù)的搜索,但同時(shí)也可以方便的修改文檔樹(shù)

修改tag的名稱和屬性

from bs4 import BeautifulSoup
import requests
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>',"lxml")
tag = soup.b
tag.name = "newtag"
tag['class'] = 'newclass'
tag['id'] = 1
print(tag)

del tag['class']
print(tag)

運(yùn)行結(jié)果如下圖所示：

修改標(biāo)簽內(nèi)容

給tag的 .string 屬性賦值,就相當(dāng)于用當(dāng)前的內(nèi)容替代了原來(lái)的內(nèi)容，如果當(dāng)前的tag包含了其它tag,那么給它的 .string 屬性賦值會(huì)覆蓋掉原有的所有內(nèi)容包括子tag。

from bs4 import BeautifulSoup
import requests

markup = '<a >I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup,"lxml")

tag = soup.a
tag.string = "New link text."
print(tag)

運(yùn)行結(jié)果如下圖所示：

在tag中添加內(nèi)容

Tag.append() 方法可以在tag中添加內(nèi)容。

from bs4 import BeautifulSoup
import requests

soup = BeautifulSoup("<a>Foo</a>","lxml")
soup.a.append("Bar")
print(soup)
print(soup.a.contents)

運(yùn)行結(jié)果如下圖所示：

總結(jié)

本篇內(nèi)容比較多，把 Beautiful Soup 的方法進(jìn)行了大部分整理和總結(jié)，但是還不夠完整只是列出一些常用的，如果需要完整的可以查看Beautiful Soup 官網(wǎng)的文檔，希望對(duì)大家有幫助，掌握了 Beautiful Soup，一定會(huì)給你在數(shù)據(jù)爬取帶來(lái)方便。

本文轉(zhuǎn)載自微信公眾號(hào)「愛(ài)編碼的社畜」，可以通過(guò)以下二維碼關(guān)注。轉(zhuǎn)載本文請(qǐng)聯(lián)系愛(ài)編碼的社畜公眾號(hào)。