Python 爬虫解析器之 Beautiful Soup
Beautiful Soup 是 html/xml 的 python 解析器, 可以定位 DOM 元素信息.
该工具在爬虫阶段 中, 处于解析网页阶段, 可以简化正则表达式, 简单示例:
>>> from bs4 import BeautifulSoup as BS
>>> from urllib.request import urlopen
>>> soup = BS(urlopen('https://www.alipay.com/'))
>>> soup.title
<title>支付宝 知托付！</title>
1. 安装
pip 安装
pip install beautifulsoup4
源码安装
如果没有 easy_install 和 pip, 需要下载源码, 使用 setup.py 来安装.
python3 setup.py install
2. 使用
将网页源码传入 BeautifulSoup的构造函数, 就能使用该工具的各类方法, 如下:
from bs4 import BeautifulSoup as BS
soup = BS('<html><p>Google</p></html>')
print(soup.p.text)
# Google
2.1 解析Tag
BeautifulSoup 将 html 代码解析成树状结构, 每个节点都是 Tag 对象, 具有 name 以及 class 等属性.
尖括号围起来的就是 Tag, 比如 div a p b meta head body
soup = BS("<div id='soup'><p class='super'>Hello Google!</p></div>")
print(type(soup.p))
# <class 'bs4.element.Tag'>
print(soup.p)
# <p class="super">Hello Google!</p>
print(soup.p.name)
# 'p'
print(soup.div)
# <div id="soup"><p class="super">Hello Google!</p></div>
# 每个 Tag 有部分属性, 比如 class stype type 等, tag['attribute']来调用
print(soup.p['class'])
# ['super']
print(soup.div['id'])
# 'soup'
2.2 find_all 过滤器
soup.a只能获取到文档树第一个超链接 tag, 如果需要检索出同类型的 tag, 使用 find_all 方法搞定.
find_all 作为 BeautifulSoup 的过滤器, 是使用最为频繁的方法, 以至于该方法都不用写了, soup.find_all("div") 和 soup("div") 作用一样一样的. 下面仔细说明一下该方法的用法:
soup = BS('''<html><a href='alipay.com'>alipay</a> <div> <a href='google.com'>google</a></div></html>''', 'html.parser')
print(soup.find_all('a'))
# [<a href="alipay.com">alipay</a>, <a href="google.com">google</a>]
2.2 过滤 Tag
find_all( name , attrs , recursive , text , **kwargs )
传入字符串或者字符串数组, 作为 Tag 的名字来搜索该 Tag
soup = BS('''<html><a href='alipay.com'>alipay</a>
<div> <a href='google.com'>google</a></div>
<b class='xx'>yahoo</b>
<h2 id='h2'>shadowsocks</h2>
</html>''',
'html.parser')
入参为 tag.name
soup.find_all('a')
# [<a href="alipay.com">alipay</a>, <a href="google.com">google</a>]
入参为字符串数组
print(soup.find_all(['a', 'div']))
# [<a href="alipay.com">alipay</a>, <div> <a href="google.com">google</a></div>, <a href="google.com">google</a>]
入参 (tag.name, class)
# 查找 class 为 xx, 类型为 <b> 的 Tag
print(soup.find_all('b', 'xx')
# [<b class="xx">yahoo</b>]
根据 id 查找
id 可以替换成 href, style, text, class_(注意有下划线, 防止和关键字冲突)
print(soup.find(id='hh'))
# [<h2 id='h2'>shadowsocks</h2>]
支持正则
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容, 简直爽爆了
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
for tag in soup.find_all(re.compile("t")):
print(tag.name)
# html
# title
再高级一点, 入参可以直接传入个函数, 不深究了.
2.3 CSS 选择器 select
BeautifulSoup 还支持 CSS 选择器, 对于 CSS 玩的溜的人很容易掌握元素定位.
简单举几个例子, 具体使用, 还是以 find_all 为主.
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""
soup = BS(html_doc, 'html.parser')
print(soup.select('title'))
# [<title>The Dormouse's story</title>]
根据子标签嵌套查找, 使用 tag.name > tag1.name > tag2.name, 注意留着空格
print(soup.select('body > p > b'))
# [<b>The Dormouse's story</b>]
根据 CSS 类名查找
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>]
根据 id 来过滤
print(soup.select('#link1'))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
参考资料
END
blog comments powered by Disqus