Python中BeautifulSoup模塊詳解

更新時(shí)間：2022年02月08日 10:55:56 作者：小麥的小兜

大家好，本篇文章主要講的是Python中BeautifulSoup模塊詳解，感興趣的同學(xué)趕緊來看一看吧，對你有幫助的話記得收藏一下

前言

BeautifulSoup是主要以解析web網(wǎng)頁的Python模塊，它會提供一些強(qiáng)大的解釋器，以解析網(wǎng)頁，然后提供一些函數(shù)，從頁面中提取所需要的數(shù)據(jù),目前是Python爬蟲中最常用的模塊之一。

安裝庫

在使用前需要安裝庫，這里建議安裝bs4，也就是第四版本，因?yàn)楦鶕?jù)官方文檔第三版的已經(jīng)停止更新。同時(shí)安裝lxml解釋器

pip3 install bs4

pip3 install lxml

導(dǎo)入庫

from bs4 import BeautifulSoup

解析文檔示例

這里以官方文檔進(jìn)行舉例，我把常用的函數(shù)都舉出來，實(shí)際開發(fā)過程中用到的不多，了解就可以。

# 取自《愛麗絲夢游仙境》的一段
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  class="sister" id="link1"><!--Elsie--></a>,
    <a  class="sister" id="link2">Lacie</a> and
    <a  class="sister" id="link3">Tillite</a>;
    and they lived at the bottom of a well.</p>
    <p class="story">...</p>
"""
 
# 解析文檔，建立一個(gè)BeautifulSoup對象，各種函數(shù)都是針對此對象展開，此函數(shù)會自動編碼為Unicode
 
soup = BeautifulSoup(html,'lxml')

此函數(shù)有兩個(gè)參數(shù)：

1、需要解析的文本，可以使字符串，可以使本地文件

2、解釋器，這里有"lxml", "lxml-xml", "html.parser", or "html5lib",4種，可以解析絕大多數(shù)網(wǎng)頁，常用lxml解析這里有一個(gè)坑，如果網(wǎng)頁中沒有規(guī)定編碼格式，解釋器就不能編碼為Unicode，必須先聲明一下編碼格式，只需要到網(wǎng)頁源碼中查找編碼格式然后做個(gè)聲明就可以。一般在網(wǎng)頁中查找charset關(guān)鍵字。

# 美化文檔，有些網(wǎng)頁書寫不規(guī)范，這個(gè)函數(shù)會補(bǔ)全標(biāo)簽,使其看起來更規(guī)范
print(soup.prettify())

提取數(shù)據(jù)示例

獲取到文本后，接下來需要提取我們所需的數(shù)據(jù)，這里用到選擇器有三種選擇器

標(biāo)簽選擇器(tag選擇器)

標(biāo)準(zhǔn)選擇器

CSS選擇器

1、標(biāo)簽選擇器(tag選擇器)

# 直接用標(biāo)簽獲取標(biāo)題
print("title: ", soup.title)
# 獲取標(biāo)題文本
print(soup.title.text)
# 獲取p標(biāo)簽
print(soup.p)
# 獲取head標(biāo)簽
print(soup.head)
# 獲取a標(biāo)簽
print(soup.a)

輸出：

標(biāo)簽中最重要的倆個(gè)屬性：name、attributes

# 使用.name函數(shù)獲取標(biāo)簽名
print('標(biāo)題標(biāo)簽的名字： ', soup.title.name)
# tag的屬性用法和字典基本一樣，可以用屬性名取屬性，類似字典的鍵值對，也可以用.attrs取屬性：
print('a標(biāo)簽中屬性為"href"的值： ', soup.a["href"])
# 會返回一個(gè)字典，需要何種屬性可自行提取
print('a標(biāo)簽的所有屬性： ',soup.a.attrs)
dict1 = soup.a.attrs
# 屬性為class的值
print('屬性為class的值： ', dict1['class'])

輸出：

這里的子孫父兄節(jié)點(diǎn)，~~我感覺用起來忒不順手，可能是我學(xué)的不太徹底??，~~我在這里列出來，大家看看。

# 返回子節(jié)點(diǎn)的列表
print("p的子節(jié)點(diǎn)： ", soup.p.contents)
# 返回子節(jié)點(diǎn)的生成器
print('a的子節(jié)點(diǎn)： ', soup.a.children)
# 返回子孫結(jié)點(diǎn)的生成器
print("a的子孫結(jié)點(diǎn)： ", soup.a.descendants)
# 返回父節(jié)點(diǎn)
print("a的父節(jié)點(diǎn)： ", soup.a.parent)
# 遞歸父節(jié)點(diǎn)
print("a的遞歸父節(jié)點(diǎn)： ",soup.a.parents)

輸出：

上述的標(biāo)簽選擇器如果遇到相同的標(biāo)簽名，比如說上述的文檔中就有多個(gè)a標(biāo)簽，這時(shí)就沒法選擇相同標(biāo)簽的第二個(gè)標(biāo)簽，~~也可能是我沒會操作，如果有發(fā)現(xiàn)的歡迎評論。~~

所以需要一個(gè)遍歷全文的選擇器來提取數(shù)據(jù)： find_all( name , attrs , recursive , text , **kwargs ) # 可根據(jù)標(biāo)簽名、屬性、內(nèi)容查找文檔，此函數(shù)配合正則表達(dá)式可匹配出各種特定的數(shù)據(jù)。。。

# 遍歷文檔中所有a標(biāo)簽
print("文檔中所有a標(biāo)簽： ", soup.find_all('a'))
a_list = soup.find_all('a')
for i, aList in enumerate(a_list):
    print(i, aList)

輸出：可以提取到文本中所有a標(biāo)簽的內(nèi)容，再通過遍歷就可以得到每一個(gè)的內(nèi)容

根據(jù)屬性、文本篩選

# 根據(jù)屬性篩選
print(soup.find_all(attrs={'class': 'sister'}))
# 根據(jù)文本篩選
print(soup.find_all(text="The Dormouse's story"))

正則表達(dá)式篩選

#使用正則表達(dá)式找出文本中帶有story字符串的內(nèi)容
print(soup.find_all(text=re.compile('story')))

還有一個(gè)find()方法，用法和findall()類似，不同的是返回的只有一個(gè)值，而 findall()返回的是列表。

CSS選擇器

目前來說，CSS選擇器是最常用的一種，通過標(biāo)簽及屬性的層層嵌套可以實(shí)現(xiàn)各種特定內(nèi)容的提取。

# 元素選擇器：選擇p標(biāo)簽
print('標(biāo)簽為p：', soup.select("p"))
# 類選擇器：類前加'.'
print("文本中所有class類的標(biāo)簽： \n", soup.select('.sister'))
# id選擇器：id前加'#'
print("id為link2的標(biāo)簽： \n", soup.select('#link2'))

輸出：

# 屬性選擇器：
print("屬性為name的標(biāo)簽： \n", soup.select("p[name]"))
print("選擇所有屬性中有sister的標(biāo)簽： \n", soup.select("*[href]"))
print("選擇p標(biāo)簽的后代第三個(gè)a標(biāo)簽 \n", soup.select("p>a")[2])
print("選擇id=link1后的所有兄弟標(biāo)簽 \n", soup.select("#link1 ~ .sister"))
print('通過屬性為  \n', soup.select('a[))
print("通過href屬性中以http開頭的所有標(biāo)簽的查找 \n", soup.select('a[href^="http"]'))
print("通過href屬性中以elsie結(jié)尾的所有標(biāo)簽的查找 \n", soup.select('a[href$="elsie"]'))
print("通過href屬性中包含.com的所有標(biāo)簽的查找 \n", soup.select("a[href*='.com']"))
# 通過標(biāo)簽層層查找，這里的:nth-child(2)代表第二個(gè)p標(biāo)簽，a#link2表示a標(biāo)簽的id為link2的標(biāo)簽
print("通過標(biāo)簽層層查找 \n", soup.select("body>p:nth-child(2)>a#link2"))

示例輸出：大家可以自行試試

以上的CSS選擇器的常用函數(shù)已經(jīng)講完，通過上面的示例基本上可以拿到web文本中絕大多數(shù)數(shù)據(jù)。下面通過一個(gè)小栗子試試水。

實(shí)例小項(xiàng)目

需求：爬取某代理網(wǎng)站的免費(fèi)代理IP地址

第一步：請求數(shù)據(jù)，獲取數(shù)據(jù)文本第二步：通過BeautifulSoup分析數(shù)據(jù) 提取數(shù)據(jù)第三步：保存數(shù)據(jù)到本地文本

url = "https://www.89ip.cn/"
header = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "
                       "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36"}
# 請求數(shù)據(jù)
response = requests.get(url, headers=header)
print(response.status_code)
# 判斷是否請求成功
if response.status_code == 200:
    # 獲取web信息的文本模式
    dataText = response.text
    # 使用lxml解析器解析文本
    soup = BeautifulSoup(dataText, 'lxml')
    # 觀察網(wǎng)頁源碼，獲取需求數(shù)據(jù)，這里使用CSS選擇器層層嵌套獲得最終的ip信息
    ipText = soup.select('body div>div>div>div>table>tbody>tr>td:nth-child(1)')
    # 遍歷列表獲取每一個(gè)ip地址
    for i in range(len(ipText)):
        # 獲取ip的文本信息，get_text()是獲取文本，strip()是去掉兩邊空格
        ip = ipText[i].get_text().strip()
        # 保存到本地
        file = open("ipText.txt", 'a+')
        file.write(ip+"\n")
    # 關(guān)閉文件
    file.close()

運(yùn)行結(jié)果：