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
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:
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:
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)
View Code
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Python 爬虫三 beautifulsoup模块 - Python技术站