bs4的基本使用
.1 简介
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序
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。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,仅仅需要说明一下原始编码方式就可以了
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度
官网http://beautifulsoup.readthedocs.io/zh_CN/latest/
2 Beautiful Soup 安装
pip install beautifulsoup4
pip install bs4
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,如果我们不安装它,则 Python 会使用 Python默认的解析器,lxml 解析器更加强大,速度更快,推荐安装
pip install lxml
解析器 | 使用方法 | 优势 | 劣势 |
Python标准库 | BeautifulSoup(markup, “html.parser”) | 1. Python的内置标准库 2. 执行速度适中 3.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”) | 1. 速度快 2.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”) | 1. 速度快 2.唯一支持XML的解析器 3.需要安装C语言库 | |
html5lib | BeautifulSoup(markup, “html5lib”) | 1. 最好的容错性 2.以浏览器的方式解析文档 3.生成HTML5格式的文档 4.速度慢 | 不依赖外部扩展 |
3 创建 Beautiful Soup 对象
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"lxml")
4 三大对象种类
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
- Tag
- NavigableString
- Comment
案例代码
<title>尚学堂</title>
<div class='info' float='left'>Welcome to SXT</div>
<div class='info' float='right'>
<span>Good Good Study</span>
<a href='www.bjsxt.cn'></a>
<strong><!--没用--></strong>
</div>
5 Tag
通俗点讲就是 HTML 中的一个个标签
例如:<div>
<title>
#以lxml方式解析
soup = BeautifulSoup(info, 'lxml')
print(soup.title)
# <title>尚学堂</title>
注意
相同的标签只能获取第一个符合要求的标签
获取属性
#获取所有属性
print(soup.title.attrs)
#class='info' float='left'
#获取单个属性的值
print(soup.div.get('class'))
print(soup.div['class'])
print(soup.a['href'])
#info
6 NavigableString获取内容
print(soup.title.string)
print(soup.title.text)
#尚学堂
7 Comment
Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦
if type(soup.strong.string) == Comment:
print(soup.strong.prettify())
else:
print(soup.strong.string)
8 find_all() 搜索文档树
Beautiful Soup定义了很多搜索方法,这里着重介绍find_all() 其它方法的参数和用法类似
9 字符串
传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容
#返回所有的div标签
print(soup.find_all('div'))
10 正则表达式
传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容
#返回所有的div标签
print (soup.find_all(re.compile("^div")))
11 列表
传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回
#返回所有匹配到的span a标签
print(soup.find_all(['span','a']))
12 keyword
传入一个id 的参数,Beautiful Soup会搜索每个tag的”id”属性
#返回id为welcom的标签
print(soup.find_all(id='welcome'))
13 True
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
14 按CSS搜索
传入一个css,通过 class_ 参数搜索有指定CSS类名的tag
# 返回class等于info的div
print(soup.find_all('div',class_='info'))
15 按属性的搜索
soup.find_all("div", attrs={"class": "info"})
16 CSS选择器
soup.select(参数)
表达式 | 说明 |
tag | 选择指定标签 |
| 选择所有节点 |
#id | 选择id为container的节点 |
.class | 选取所有class包含container的节点 |
li a | 选取所有li下的所有a节点 |
ul + p | (兄弟)选择ul后面的第一个p元素 |
div#id > ul | (父子)选取id为id的div的第一个ul子元素 |
table ~ div | 选取与table相邻的所有div元素 |
a[title] | 选取所有有title属性的a元素 |
a[class=”title”] | 选取所有class属性为title值的a |
a[href*=”sxt”] | 选取所有href属性包含sxt的a元素 |
a[href^=”http”] | 选取所有href属性值以http开头的a元素 |
a[href$=”.png”] | 选取所有href属性值以.png结尾的a元素 |
input[type=“redio”]:checked | 选取选中的hobby的元素 |
find_all(‘div’,class_=‘info’)) |