Python 爬虫三 beautifulsoup模块

beautifulsoup模块

BeautifulSoup模块

BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。

安装：

pip install beautifulsoup4

在python自动化模块对bs已经简单介绍了。这里直接看快速使用：

import requests
from bs4 import BeautifulSoup
import os

response = requests.get(  # get请求
    url='https://www.autohome.com.cn/news/'
)
response.encoding = response.apparent_encoding  # 使用默认的编码原则
soup = BeautifulSoup(response.text, features='html.parser')  # 实例化soup对象的两种参数方式
# soup = BeautifulSoup(response.text, features='lxml')
# print(response.text)

target = soup.find(id='auto-channel-lazyload-article')  # 取指定id的对象
# obj = target.find('li')  # 找到第一个li
li_list = target.find_all('li')  # 找到所有的li, 是一个列表，里面是bs对象

for i in li_list:  # 遍历li的列表内对象
    a = i.find('a')

    if a:
        # print(a.attrs)  # {'href': '//www.autohome.com.cn/news/201807/919525.html#pvareaid=102624'}
        # print(a.attrs.get('href'))
        # txt = a.find('h3')  # 本质上是对象，但是打印出来是字符串
        txt = a.find('h3').txt  # 提取内部字符串
        print(txt)

        img_url = a.find('img').attrs.get('src')
        img_url = img_url.strip('//')  # src ==> //www.autohome.com.cn/**********/***.jpg
        print(img_url)
        img_type = img_url.split('.')[-1]
        print(img_type)
        img_response = requests.get(url='http://' + img_url)  # 对于img的路径再次发送get请求
        import uuid

        with open(os.path.join('file', str(uuid.uuid4()) + '.' + img_type), 'wb') as f:
            f.write(img_response.content)  #  二进制文件写入文件句柄内

Python 爬虫三 beautifulsoup模块

此段代码，定向的抓去了目的div的内部a标签的资源，循环发送get请求抓去处图片保存到了本地：

Python 爬虫三 beautifulsoup模块

解析器

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。

下面是常见解析器：

Python 爬虫三 beautifulsoup模块

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.

基本使用

在快速使用中我们添加如下代码：
print(soup.title)
print(type(soup.title))
print(soup.head)
print(soup.p)

通过这种soup.标签名我们就可以获得这个标签的内容
这里有个问题需要注意，通过这种方式获取标签，如果文档中有多个这样的标签，返回的结果是第一个标签的内容，如上面我们通过soup.p获取p标签，而文档中有多个p标签，但是只返回了第一个p标签内容

使用示例：

from bs4 import BeautifulSoup
 
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
    ...
</body>
</html>
"""
 
soup = BeautifulSoup(html_doc, features="lxml")

1、标签名称

tag = soup.find('a')
name = tag.name # 获取
print(name)
tag.name = 'span' # 设置
print(soup)

2、标签属性

tag = soup.find('a')
attrs = tag.attrs    # 获取
print(attrs)
tag.attrs = {'ik':123} # 设置
tag.attrs['id'] = 'iiiii' # 设置
print(soup)

3、字标签

body = soup.find('body')
v = body.children

4、所有子孙标签

body = soup.find('body')
v = body.descendants

5、clear、将标签的所有子标签全部清空（保留标签名）

tag = soup.find('body')
tag.clear()
print(soup)

6、decompose、递归的删除所有标签

body = soup.find('body')
body.decompose()
print(soup)

7、extract、递归的删除所有的标签，并获取删除的标签对象

body = soup.find('body')
v = body.extract()
print(soup)

8、decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）

body = soup.find('body')
v = body.decode()
v = body.decode_contents()
print(v)

9、encode,转换为字节（含当前标签）；encode_contents（不含当前标签）

body = soup.find('body')
v = body.encode()
v = body.encode_contents()
print(v)

10、find,获取匹配的第一个标签

tag = soup.find('a')
print(tag)
tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
print(tag)

11、find_all,获取匹配的所有标签

 1 # tags = soup.find_all('a')
 2 # print(tags)
 3  
 4 # tags = soup.find_all('a',limit=1)
 5 # print(tags)
 6  
 7 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
 8 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
 9 # print(tags)
10  
11  
12 # ####### 列表 #######
13 # v = soup.find_all(name=['a','div'])
14 # print(v)
15  
16 # v = soup.find_all(class_=['sister0', 'sister'])
17 # print(v)
18  
19 # v = soup.find_all(text=['Tillie'])
20 # print(v, type(v[0]))
21  
22  
23 # v = soup.find_all(id=['link1','link2'])
24 # print(v)
25  
26 # v = soup.find_all(href=['link1','link2'])
27 # print(v)
28  
29 # ####### 正则 #######
30 import re
31 # rep = re.compile('p')
32 # rep = re.compile('^p')
33 # v = soup.find_all(name=rep)
34 # print(v)
35  
36 # rep = re.compile('sister.*')
37 # v = soup.find_all(class_=rep)
38 # print(v)
39  
40 # rep = re.compile('http://www.oldboy.com/static/.*')
41 # v = soup.find_all(href=rep)
42 # print(v)
43  
44 # ####### 方法筛选 #######
45 # def func(tag):
46 # return tag.has_attr('class') and tag.has_attr('id')
47 # v = soup.find_all(name=func)
48 # print(v)
49  
50  
51 # ## get,获取标签属性
52 # tag = soup.find('a')
53 # v = tag.get('id')
54 # print(v)