【Python爬虫学习（1）】BeautifulSoup库的使用

一、BeautifulSoup库简介

BeautifulSoup是一个灵活方便的网页解析库，处理搞笑，支持多种解析器。利用它可以不用编写正则表达式就可以方便的实现网页信息的抓取。

BeautifulSoup是爬虫必学技能，其最主要的功能是从网页抓取数据。BeautifulSoup自动的将输入文档转换为Unicode编码，输出文档转换为utf-8编码。BeautifulSoup支持Python标准库中的HTML解析器，还支持一些第三方的解析器，如果不安装它，那么会使用Python默认的解析器。lxml解析器更加强大，速度更快，推荐使用xlml解析器。

 

二、解析库

 

三、BeautifulSoup4四大对象种类

BeautifulSoup4将复杂的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：

1、Tag

利用"bs.标签"可获取这些标签的内容（查找的是所有内容种第一个符合要求的标签），这些对象的类型是"bs4.element.Tag"。对于Tag对象，有两个重要的属性：name、attrs

2、NavigableString

得到标签的内容后，利用"bs.标签.string"获取标签内部的文字

3、BeautifulSoup

BeautifulSoup对象表示一个文档的内容。可以看作是特殊的Tag，可以分别获取它的类型，名称，属性。

4、Comment

Comment对象是一个特殊类型的NavigableString对象，其输出的内容不包括注释符号。

 

四、基本用法

1、下载安装：pip install BeautifulSoup4

 

2、基本用法

2.1【基本用法：提取html中的信息】

（1）导入：from bs4 import BeautifulSoup

（2）将html传入解析器

方式一：

bs = BeautifulSoup(html, 'html.parser')

方式二：

import requests

r=requests.get("http://xxx")

bs=BeautifulSoup(r.text, 'html.parser')

注1：括号里的r.text表示被解析的html格式的内容；'html.parser'表示解析用的解析器，相应的还有其他'lxml'、'xml'、'html5lib'等解析器

注2：print(r.text)查看一下输出内容

（3）格式化html结构：bs.prettify()

为了解决返回结果是乱码，在前面添加一行代码：

r.encoding = r.apparent_encoding

（4）获取标签及其内容、名称、内容

获取title标签及其内容：bs.title

获取title标签的name（没有内容时，返回None）：bs.title.name

获取title标签的所有内容（不包括标签）：bs.title.string 或者 bs.title.get_text()

获取title标签的父标签（即head标签）及其内容、name、内容

获取title标签的父标签的父标签（即html标签）及其内容、name、内容

（5）当相同标签有多个时，默认获取的是第一个标签

获取第一个div标签及其内容：bs.div

获取第一个div标签的id属性：bs.div["id"]

（6）find_all(name, attrs, recursive, text, **kwargs)，根据标签名、属性、内容查找文档，返回所有符合条件的内容，默认获取的是第一个

通过标签名称获取

recursive表示是否对子孙全部检索，默认为True。

bs.find_all('标签')--------返回的是列表

bs.find_all('标签')[1]

bs.find_all(['标签1', '标签2'])

注：会从上到下依次查找标签1或者标签2，如果标签1含有子孙节点标签2，则先输出外层的父标签1，然后再输出内层的子孙节点标签2，然后再依次往后续继续查找。

通过属性值获取

bs.find_all(attrs={'id':'lg'})

bs.find_all(attrs={'name':'ie'})

bs.find_all(id='lg')

bs.find_all(class_='mnav')

获取所有的a标签及其内容，返回列表：bs.find_all("a")

获取所有的a标签及其内容，并遍历输出a标签中href的值，这里的"href"也可以替换为"class"或者"name"

for item in bs.find_all("a"):

     print(item.get("href"))

获取所有的a标签及其内容，并遍历输出a标签中的内容（不包括标签）

for item in bs.find_all("a"):

     print(item.get_text())

（7）find(name, attrs, recursive, text, **kwargs)，根据标签名、属性、内容查找文档，返回所有符合条件的内容。默认获取的是第一个

通过标签名称获取

bs.find('input')

type(bs.find('input'))

通过属性值获取

bs.find(attrs={'id':'lg'})

bs.find(attrs={'name':'ie'})

bs.find(id='lg')

bs.find(class_='mnav')

（8）find_其他用法

　　1）返回直接父节点：find_parent()

　　2）返回所有祖先节点：find_parents()

　　3）返回后面第一个兄弟节点：find_next_sibling()

　　4）返回后面所有的兄弟节点：find_next_siblings()

　　5）返回前面第一个兄弟节点：find_previous_sibling()

　　6）返回前面所有的兄弟节点：find_previous_siblings()

　　7）返回后面第一个符合条件的节点：find_next()

　　8）返回后面所有符合条件的节点：find_all_next()

（9）获取类型：type(bs.标签)

type(bs.title)

type(bs.head)

（10）获取标签的属性

获取标签的属性（是个字典类型）：bs.标签.attrs

获取具体某个属性的值：bs.标签.attrs['属性名称']

2.2、CSS选择

通过select()直接传入CSS选择器

bs.select('.panel .panel-heading')

bs.select('ul li')

bs.select('#list-2 .element')

type(bs.select('ul')[0])

 

for ul in bs.select('ul'):

     print(ul.select('li'))

 

for ul in bs.select('ul'):

     print(ul['id'])

     print(ul.attrs['id'])

 

for li in bs.select('li'):

     print(li.get_text())

 

五、遍历文档树

【上行遍历】

1、获取span标签的父节点及其内容：bs.span.parent

2、获取span标签的所有先祖节点的名称。注：.parents是先祖节点的迭代类型，用于循环遍历先祖节点

for parent in bs.span.parents:

     if parent is None:

          print(parent)

     else:

          print(parent.name)

【下行遍历】

1、子节点的列表：.contents

（1）获取Tag的所有子节点（只有儿子节点），返回一个列表：bs.标签.contents

注：对于一个标签的儿子节点，不仅包括标签节点，也包括字符串节点。

（2）用列表索引来获取它的某一个元素：bs.标签.contents[3]

2、子节点的迭代类型：.children

（1）获取Tag的所有子节点（只有儿子节点），返回一个生成器：

for child in bs.标签.chidren:

      print(child)

3、子孙节点的迭代类型：.descendants

（1）获取Tag的所有子孙节点（儿子节点、孙子节点等）：bs.标签.descendants

for child in bs.标签.descendants:

     print(child)

4、.strings

如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历

5、.stripped_strings

与.strings用法一致，不过可以去掉拿些

6、.has_attr

判断Tag是否包含属性

【平行遍历】

只有同一个父节点的儿子节点才能构成平行遍历的关系

1、.next_sibiling

返回按照HTML文本顺序的下一个平行节点的标签

2、.previous_sibiling

返回按照HTML文本顺序的上一个平行节点的标签

3、.next_sibilings

迭代类型，返回按照HTML文本顺序的后面所有平行节点的标签

4、.previous_sibilings

迭代类型，返回按照HTML文本顺序的前面所有平行节点的标签

 

 

-------结束-------