关键词搜索

源码搜索 ×
×

11-python爬虫之Beautiful Soup

发布2021-09-27浏览351次

详情内容

辅助视频教程：Python基础教程|xin3721自学网icon-default.png?t=L892https://www.xin3721.com/eschool/pythonxin3721/

CSS Selector

CSS(即层叠样式表Cascading Stylesheet),

Selector来定位（locate）页面上的元素（Elements）。Selenium官网的Document里极力推荐使用CSS locator，而不是XPath来定位元素，原因是CSS locator比XPath locator速度快.

Beautiful Soup

  • 支持从HTML或XML文件中提取数据的Python库

  • 支持Python标准库中的HTML解析器

  • 还支持一些第三方的解析器lxml, 使用的是 Xpath 语法，推荐安装。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了

  • Beautiful Soup4 安装

    官方文档链接:

Beautiful Soup Documentation — Beautiful Soup 4.9.0 documentation

可以利用 pip来安装

  1. pip install beautifulsoup4
  • 安装解析器(上节课已经安装过)
pip install lxml

  • Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:

    另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

pip install html5lib

下表列出了主要的解析器：

解析器使用方法优势劣势
Python标准库BeautifulSoup(markup, "html.parser")Python的内置标准库;执行速度适中;文档容错能力强Python 2.7.3 or 3.2.2前 的版本中文档容错能力差
lxml HTML 解析器BeautifulSoup(markup, "lxml")速度快;文档容错能力强 ;需要安装C语言库
lxml XML 解析器BeautifulSoup(markup, ["lxml-xml"]) BeautifulSoup(markup, "xml")速度快;唯一支持XML的解析器需要安装C语言库
html5libBeautifulSoup(markup, "html5lib")最好的容错性;以浏览器的方式解析文档;生成HTML5格式的文档速度慢;不依赖外部扩展

推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

  • 快速开始
  1. html_doc ="""
  2.  
  3. <html><head><title>The Dormouse's story</title></head>
  4.  
  5. <body>
  6.  
  7. <p class="title"><b>The Dormouse's story</b></p>
  8.  
  9.  
  10. <p class="story">Once upon a time there were three little sisters; and their names were
  11.  
  12. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  13.  
  14. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  15.  
  16. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  17.  
  18. and they lived at the bottom of a well.</p>
  19.  
  20.  
  21. <p class="story">...</p>
  22.  
  23. """

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:

from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc,'lxml')

下面我们来打印一下 soup 对象的内容

print (soup)

格式化输出soup 对象

print(soup.prettify())

image

CSS选择器

在写 CSS 时：

标签名不加任何修饰  类名前加点  id名前加 #

利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

  • 通过标签名查找
  1. print (soup.select('title') )
  2. #[<title>The Dormouse's story</title>]
  3. ​
  4. print (soup.select('a'))
  5. #[<a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  6. ​
  7. print (soup.select('b'))
  8. #[<b>The Dormouse's story</b>]
  • 通过类名查找
  1.  print (soup.select('.sister'))
  2. # [<a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  • 通过 id 名查找
  1. print(soup.select('#link1'))
  2.  
  3. # [<a class="sister" href="http://example.com/elsie" id="link1"></a>]
  • 直接子标签查找
  1. print (soup.select("head > title"))
  2.  
  3. #[<title>The Dormouse's story</title>]

  • 组合查找

    组合查找即标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，

属性和标签不属于同一节点 二者需要用空格分开

  1. print (soup.select('p #link1')) 
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

  • 属性查找

    查找时还可以加入属性元素，属性需要用中括号括起来

注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到

  1. print (soup.select('a[class="sister"]'))
  2.  
  3. #[<a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  4.  
  5.  
  6. print (soup.select('a[href="http://example.com/elsie"]'))
  7.  
  8. #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

  1. print (soup.select('p a[href="http://example.com/elsie"]')) 
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出

用 get_text() 方法来获取它的内容。

  1. print（soup.select('title')[0].get_text() ）
  2. for title in soup.select('title'): 
  3.     print (title.get_text())

Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

  1.     <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>    
  2. print type(soup.select('a')[0])

输出：

bs4.element.Tag

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

  • name
print (soup.name) print (soup.select('a')[0].name)

输出：

[document] 'a'

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

  • attrs
print (soup.select('a')[0].attrs)

输出：

{'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}

在这里，我们把 soup.select('a')[0] 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print (soup.select('a')[0].attrs['class'])

输出：

['sister']

实战

爬取豆瓣电影排行榜案例

豆瓣电影排行榜

image

  1.  
  2. from bs4 import BeautifulSoup
  3. import urllib.parse
  4. import urllib.request
  5. ​
  6. url='https://movie.douban.com/chart'
  7. # 豆瓣排行榜
  8. ​
  9. herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'https://movie.douban.com/','Connection':'keep-alive'}
  10. # 请求头信息
  11. ​
  12. req = urllib.request.Request(url,headers=herders)
  13. # 设置请求头
  14. response=urllib.request.urlopen(req)
  15. # response 是返回响应的数据
  16. htmlText=response.read()
  17. # 读取响应数据
  18. ​
  19. ​
  20. # 把字符串解析为html文档
  21. html = BeautifulSoup(htmlText,'lxml')
  22. ​
  23. result = html.select(".pl2")
  24. ​
  25. file = open('data.txt','a',encoding='utf-8')
  26. # 打开一个文本文件
  27. ​
  28. # 遍历几个
  29. for item in result:
  30.     str = ''
  31.     #声明一个空的字符串
  32.     str += item.select('a')[0].get_text().replace(' ','').replace("\n","")
  33.     # 获取标题文字.替换掉空格.替换掉换行
  34.     str += '('
  35.     # 给评分加个左括号
  36.     str += item.select('.rating_nums')[0].get_text()
  37.     # 获取评分
  38.     str += ')\n'
  39.     # 给评分加个右括号
  40.     print(str)
  41.     # 在控制台输出内容
  42.     file.write(str)
  43.     # 写入文件
  44. ​
  45. ​
  46. file.close()
  47. # 关闭文件

结果

  1. 从邪恶中拯救我/魔鬼对决(台)/请救我于邪恶(7.2)
  2. 神弃之地/恶魔每时每刻(6.9)
  3. 监视资本主义：智能陷阱/社交困境/智能社会：进退两难(台)(8.6)
  4. 我想结束这一切/i’mthinkingofendingthings(风格化标题)(7.3)
  5. 禁锢之地/Imprisonment/TheTrapped(4.4)
  6. 鸣鸟不飞：乌云密布/SaezuruToriWaHabatakanai:TheCloudsGather(8.3)
  7. 树上有个好地方/TheHomeintheTree(7.9)
  8. 辣手保姆2：女王蜂/撒旦保姆：血腥女王/TheBabysitter2(5.7)
  9. 冻结的希望/雪藏希望：待日重生/HopeFrozen:AQuestToLiveTwice(8.1)
  10. 铁雨2：首脑峰会/铁雨2：首脑会谈/钢铁雨2：核战危机(港)(5.8)

单词表

  1.  
  2. """
  3. 单词表
  4. Beautiful       美丽的
  5. Soup            汤
  6. url             统一资源定位器
  7. lib             library 库
  8. parse           解析
  9. request         解析
  10. respone         响应
  11. select          选择
  12. open            打开
  13. encoding        编码
  14. get_text        获取文本
  15. write           写
  16. close           关闭

问题？

好，这就是另一种与 XPath 语法有异曲同工之妙的查找方法，觉得哪种更方便？

相关技术文章

最新源码

下载排行榜
点击QQ咨询
开通会员
返回顶部
×
微信扫码支付 元
微信扫码支付
确定支付下载
请使用微信描二维码支付
×

提示信息

×

选择支付方式

  • 微信支付
  • 支付宝付款
确定支付下载