Python爬蟲之BeautifulSoup
簡介
Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然后，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的python解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。
安裝
- pip install BeautifulSoup4
- 或
- easy_install BeautifulSoup4
創建BeautifulSoup對象
首先應該導入BeautifulSoup類庫
- from bs4 import BeautifulSoup
下面開始創建對像，在開始之前為了方便演示，先創建一個html文本，如下：
- 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 href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
- <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
- <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
- and they lived at the bottom of a well.</p>
- <p class="story">...</p>
- """
創建對象：soup=BeautifulSoup(html,’lxml’),這里的lxml是解析的類庫，目前來說個人覺得***的解析器了，一直在用這個，安裝方法：
- pip install lxml
Tag
Tag就是html中的一個標簽，用BeautifulSoup就能解析出來Tag的具體內容，具體的格式為soup.name,其中name是html下的標簽，具體實例如下：
- print soup.title # 輸出title標簽下的內容，包括此標簽，這個將會輸出<title>The Dormouse's story</title>
- print soup.head
注意：
這里的格式只能獲取這些標簽的***個，后面會講到獲取多個標簽的方法。其中對于Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下：
- name:對于Tag，它的name就是其本身，如soup.p.name就是p
- attrs是一個字典類型的，對應的是屬性-值，如print soup.p.attrs,輸出的就是{‘class’: [‘title’], ‘name’: ‘dromouse’},當然你也可以得到具體的值，如print soup.p.attrs[‘class’],輸出的就是[title]是一個列表的類型，因為一個屬性可能對應多個值,當然你也可以通過get方法得到屬性的，如：print soup.p.get(‘class’)。還可以直接使用print soup.p[‘class’]
get
get方法用于得到標簽下的屬性值，注意這是一個重要的方法，在許多場合都能用到，比如你要得到<img src=”#”>標簽下的圖像url,那么就可以用soup.img.get(‘src’),具體解析如下：
- print soup.p.get("class") #得到***個p標簽下的src屬性
string
得到標簽下的文本內容，只有在此標簽下沒有子標簽，或者只有一個子標簽的情況下才能返回其中的內容，否則返回的是None具體實例如下：
- print soup.p.string #在上面的一段文本中p標簽沒有子標簽，因此能夠正確返回文本的內容
- print soup.html.string #這里得到的就是None,因為這里的html中有很多的子標簽
get_text()
可以獲得一個標簽中的所有文本內容，包括子孫節點的內容，這是最常用的方法
搜索文檔樹
find_all( name , attrs , recursive , text , **kwargs )
find_all是用于搜索節點中所有符合過濾條件的節點
1. name參數：是Tag的名字，如p,div,title …..
soup.find_all("p") 查找所有的p標簽，返回的是[<b>The Dormouse's story</b>]，可以通過遍歷獲取每一個節點，如下：
- ps=soup.find_all("p")
- for p in ps:
- print p.get('class') #得到p標簽下的class屬性
傳入正則表達式：soup.find_all(re.compile(r’^b’)查找以b開頭的所有標簽，這里的body和b標簽都會被查到
傳入類列表：如果傳入列表參數,BeautifulSoup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有<a>標簽和<b>標簽
- soup.find_all(["a", "b"])
2. KeyWords參數，就是傳入屬性和對應的屬性值，或者一些其他的表達式
- soup.find_all(id='link2'),這個將會搜索找到所有的id屬性為link2的標簽。傳入正則表達式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達式的標簽
- 傳入多個值：soup.find_all(id='link2',class_='title') ,這個將會查找到同時滿足這兩個屬性的標簽，這里的class必須用class_傳入參數，因為class是python中的關鍵詞
- 有些屬性不能通過以上方法直接搜索，比如html5中的data-*屬性，不過可以通過attrs參數指定一個字典參數來搜索包含特殊屬性的標簽，如下：
- # [<div data-foo="value">foo!</div>]
- data_soup.find_all(attrs={"data-foo": "value"}) #注意這里的atts不僅能夠搜索特殊屬性，亦可以搜索普通屬性
- soup.find_all("p",attrs={'class':'title','id':'value'}) #相當與soup.find_all('p',class_='title',id='value')
3. text參數：通過 text 參數可以搜搜文檔中的字符串內容.與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表, True
- soup.find_all(text="Elsie")
- # [u'Elsie']
- soup.find_all(text=["Tillie", "Elsie", "Lacie"])
- # [u'Elsie', u'Lacie', u'Tillie']
- soup.find_all(text=re.compile("Dormouse"))
- [u"The Dormouse's story", u"The Dormouse's story"]
4. limit參數：find_all() 方法返回全部的搜索結構,如果文檔樹很大那么搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.
文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量,代碼如下：
- soup.find_all("a", limit=2)
- # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
- # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
5. recursive 參數:調用tag的 find_all() 方法時,BeautifulSoup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False
find( name , attrs , recursive , text , **kwargs )
它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果,就是直接返回***匹配到的元素，不是列表，不用遍歷，如soup.find("p").get("class")
通過標簽名查找
- print soup.select('title')
- #[<title>The Dormouse's story</title>]
- print soup.select('a')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
通過類名查找
- print soup.select('.sister')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
通過id名查找
- print soup.select('#link1')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
組合查找
學過 css 的都知道 css 選擇器，如 p #link1 是查找 p 標簽下的 id 屬性為 link1 的標簽
- print soup.select('p #link1') #查找p標簽中內容為id屬性為link1的標簽
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
- print soup.select("head > title") #直接查找子標簽
- #[<title>The Dormouse's story</title>]
屬性查找
查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標簽屬于同一節點，所以中間不能加空格，否則會無法匹配到。
- print soup.select('a[class="sister"]')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
- print soup.select('a[href="http://example.com/elsie"]')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格,代碼如下：
- print soup.select('p a[href="http://example.com/elsie"]')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然后用 get_text() 方法來獲取它的內容
- soup = BeautifulSoup(html, 'lxml')
- print type(soup.select('title'))
- print soup.select('title')[0].get_text()
- for title in soup.select('title'):
- print title.get_text()
