爬虫第五篇

小鱼儿 2021-10-19 01:48 306阅读 0赞

#### 爬虫第五篇 ####

转载：https://blog.csdn.net/qq\_21933615/article/details/81171951  
BeautifulSoup + requests库使爬虫变得非常的简单

BeautifulSoup库通俗来说是解析、遍历、维护“标签树”(例如html、xml等格式的数据对象)的功能库

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
    
    Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
    
    Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

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，推荐使用lxml 解析器。

先看一个完成的实例：

import requests
    import pymongo
    from bs4 import BeautifulSoup
    import time 
    
    class LianjiaSpider:
        def __init__(self):
            self.baseurl = 'https://bj.lianjia.com/ershoufang/pg'
            self.headers = { "User-Agent":"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)"}
            # 连接对象
            self.conn = pymongo.MongoClient("192.168.56.129", 27017)
            # 库对象
            self.db = self.conn["Lianjia"]
            # 集合对象
            self.myset = self.db["houseInfo"]
            
        # 获取页面
        def getPage(self,url):
            res = requests.get(url,headers=self.headers)
            res.encoding = "utf-8"
            html = res.text
            self.parsePage(html)
        
        # 解析并保存页面
        def parsePage(self,html):
            # 创建解析对象
            soup = BeautifulSoup(html,'lxml')
            # 解析对象的find_all()方法获取每个房源信息
            rList = soup.find_all('li',attrs={ "class":"clear LOGCLICKDATA"})
            for r in rList:
                #################################
                # houseInfo节点
                Info = r.find('div',attrs={ "class":"houseInfo"}).get_text().split('/')
                # 小区名称
                name = Info[0]
                # 户型
                house_type = Info[1]
                # 面积
                area = Info[2]
                #################################
                positionInfo = r.find('div',attrs={ "class":"positionInfo"}).get_text().split('/')
                # 楼层
                louceng = positionInfo[0]
                # 年份
                year = positionInfo[1]
                # 地点
                address = positionInfo[2]
                ################################
                # 总价
                totalPrice = r.find('div',attrs={ "class":"totalPrice"}).get_text()
                # 单价
                unitPrice = r.find('div',attrs={ "class":"unitPrice"}).get_text()
                ################################
                d = { 
                    "名称" : name,
                    "户型" : huxing,
                    "面积" : area,
                    "楼层" : louceng,
                    "年份" : year,
                    "地点" : address,
                    "总价" : totalPrice,
                    "单价" : unitPrice,
                  }
                self.myset.insert_one(d)
                
        # 主函数
        def workOn(self):
            n = int(input("请输入页数:"))
            for pg in range(1,n+1):
                # 拼接url
                url = self.baseurl + str(pg) + '/'
                self.getPage(url)
                time.sleep(1)
                print("第%d页爬取成功" % pg)
        
    if __name__ == "__main__":
        spider = LianjiaSpider()
        spider.workOn()

#### 1.创建BeautifulSoup对象 ####

首先导入bs4、lxml、request

from bs4 import BeautifulSoup
    import lxml
    import requests

使用官方字符串来演示：

html = """
 <html><head><title>The Dormouse's story</title></head>
 <body>
 The Dormouse's story
 Once upon a time there were three little sisters; and their names were
 <a href="http://example.com/elsie" class="sister" id="link1"></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.
 ...
 """

创建 beautifulsoup 对象：

soup = BeautifulSoup(html,'lxml')  #创建 beautifulsoup 对象

还可以用本地 HTML 文件来创建对象：

soup1 = BeautifulSoup(open('index.html'))  #用本地 HTML 文件来创建对象

打印一下 soup 对象的内容，格式化输出：

print soup.prettify()  #打印 soup 对象的内容，格式化输出

输出结果，格式化打印出了它的内容，这个函数经常用到。

#### 2. 四种对象 ####

Beautiful Soup将复杂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:

*  Tag
 *  NavigableString
 *  BeautifulSoup
 *  Comment

#### (1)Tag ####

Tag就是 HTML 中的一个个标签，例如：

<title>The Dormouse's story</title>

用 BeautifulSoup 可以很方便地获取 Tags：

print soup.title #<title>The Dormouse's story</title>
 print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"></a>
 print type(soup.a) #<class 'bs4.element.Tag'>

这种方式查找的是在所有内容中的第一个符合要求的标签。

对于 Tag，它有两个重要的属性，name 和 attrs ：

print soup.a.name  # a
    print soup.a.attrs #{'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
    print soup.a['class'] #单独获取某个属性,['sister']
    print soup.a.get('class')  # ['sister']

可以对这些属性和内容等等进行修改：

soup.a['class']="newClass"

可以对这个属性进行删除：

del soup.a['class']

**（2）NavigableString**

得到了标签的内容用 .string 即可获取标签内部的文字，例如：

print soup.p.string   # The Dormouse's story

来检查一下它的类型：

print type(soup.p.string) # <class 'bs4.element.Comment'>

可以看到它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串。

**（3）BeautifulSoup**

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称：

print type(soup.name)
 #<type 'unicode'>
 print soup.name 
 # [document]
 print soup.attrs 
 #{} 空字典

**（4）Comment**

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号。我们找一个带注释的标签：

print soup.a
    print soup.a.string
    print type(soup.a.string)

运行结果如下：

<a class="sister" href="http://example.com/elsie" id="link1"></a>
 Elsie 
 <class 'bs4.element.Comment'>

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下：

if type(soup.a.string)==bs4.element.Comment:
        print soup.a.string

上面的代码中，我们判断了它的类型，是否为 Comment 类型。

#### 3. 遍历文档树 ####

**（1）直接子节点**

tag 的 .content 属性可以将tag的子节点以列表的方式输出：

print soup.a.contents # [' Elsie ']

输出方式为列表，我们可以用列表索引来获取它的某一个元素：

print soup.a.contents[0]

**.children**

它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象：

print soup.body.children

运行结果：

<list_iterator object at 0x0000000003CAD160>

遍历一下获得里面的内容：

for item in  soup.body.children:
        print item

运行结果：

The Dormouse's story
 
 Once upon a time there were three little sisters; and their names were
 <a class="sister" href="http://example.com/elsie" id="link1"></a>,
 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
 and they lived at the bottom of a well.
 
 ...

**（2）所有子孙节点**

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，要获取其中的内容，我们需要对其进行遍历：

for item in soup.descendants:
        print item

查看运行结果，可以发现，所有的节点都被打印出来了：

The Dormouse's story
 The Dormouse's story
 The Dormouse's story
 
 Once upon a time there were three little sisters; and their names were
 <a class="sister" href="http://example.com/elsie" id="link1"></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>
 and they lived at the bottom of a well.
 Once upon a time there were three little sisters; and their names were
 
 <a class="sister" href="http://example.com/elsie" id="link1"></a>
 Elsie
 
 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
 Lacie
 
 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
 Tillie
 
 and they lived at the bottom of a well.
 
 ...
 ...

**（3）节点内容**

如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容：

print soup.head.string

运行结果：

The Dormouse's story

第二种情况：

print soup.title.string

运行结果：

The Dormouse's story

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None：

print soup.html.string

运行结果：

None

**（4）多个内容**

.strings 获取多个内容，不过需要遍历获取，比如下面的例子：

for string in soup.strings:
        print(repr(string))

运行结果：

The Dormouse's story
    
    
    
    
    The Dormouse's story
    
    
    Once upon a time there were three little sisters; and their names were
    
    
    
    Lacie
    
    
    Tillie
    
    and they lived at the bottom of a well.
    
    
    ...

输出的字符串中可能包含了很多空格或空行,使用 .stripped\_strings 可以去除多余空白内容：

for string in soup.stripped_strings:
        print(repr(string))

运行结果：

The Dormouse's story
    The Dormouse's story
    Once upon a time there were three little sisters; and their names were
    Lacie
    Tillie
    and they lived at the bottom of a well.
    ...

**（5）父节点**

.parent获取父节点

p = soup.p
    print p.parent.name # body

content = soup.head.title.string
    print content.parent.name  # title

**（6）全部父节点**

通过元素的 .parents 属性可以递归得到元素的所有父辈节点：

content = soup.head.title.string
    for parent in  content.parents:
        print parent.name

运行结果：

title
    head
    html
    [document]

**（7）兄弟节点**

兄弟节点可以理解为和本节点处在统一级的节点，.next\_sibling 属性获取了该节点的下一个兄弟节点，.previous\_sibling 属性获取了该节点的上一个兄弟节点，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next\_sibling 和 .previous\_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行。

print soup.p.next_sibling
    # 实际该处为空白
    print soup.p.prev_sibling
    #None 没有前一个兄弟节点，返回 None
    print soup.p.next_sibling.next_sibling

**（8）全部兄弟节点**

通过 .next\_siblings 和 .previous\_siblings 属性可以对当前节点的兄弟节点迭代输出：

for sibling in soup.a.next_siblings:
        print(repr(sibling))

**（9）前后节点**

.next\_element 和 .previous\_element 与 .next\_sibling .previous\_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为：

<head><title>The Dormouse's story</title></head>

那么它的下一个节点便是 title，它是不分层次关系的。

print soup.head.next_element # <title>The Dormouse's story</title>

**（10）所有前后节点**

通过 .next\_elements 和 .previous\_elements 的迭代器就可以向前或向后访问文档的解析内容：

for element in soup.head.next_elements:
        print(repr(element))

#### 4. 搜索文档树 ####

(1)find\_all( name , attrs , recursive , text , \*\*kwargs )

*  name 参数
    
    **A.传入字符串**

name参数可以查找所有名字为name的tag，字符串对象会自动忽略掉

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的**标签：**

soup.find_all('b') # [The Dormouse's story]

*  **B.传正则表达式**

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.下面例子中找出所有以b开头的标签,这表示和**标签都应该被找到**

import re
    for tag in soup.find_all(re.compile("^b")):
        print(tag.name)
    # body
    # b

*  **C.传参数**

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和**标签：**

soup.find_all(["a", "b"])
 # [The Dormouse's story,
 # <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>]

*  **D.传True**

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点：

for tag in soup.find_all(True):
        print(tag.name)
    # html
    # head
    # title
    # body
    # p
    # b
    # p
    # a
    # a

*  **E.传方法**

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False。下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag):
        return tag.has_attr('class') and not tag.has_attr('id')

将这个方法作为参数传入 find\_all() 方法,将得到所有

标签：

soup.find_all(has_class_but_no_id)
 # [The Dormouse's story,
 # Once upon a time there were...,
 # ...]

**2）keyword 参数**

如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性：

soup.find_all(id='link2')
 # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性：

soup.find_all(href=re.compile("elsie"))
 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

使用多个指定名字的参数可以同时过滤tag的多个属性：

soup.find_all(href=re.compile("elsie"), id='link1')
 # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以：

soup.find_all("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>]

有些tag属性在搜索不能使用,比如HTML5中的 data-\* 属性：

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
 data_soup.find_all(data-foo="value")
 # SyntaxError: keyword can't be an expression

可以通过 find\_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag：

data_soup.find_all(attrs={ "data-foo": "value"})
 # [<div data-foo="value">foo!</div>]

**3）text 参数**

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 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 参数**

find\_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量：

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 参数**

调用tag的 find\_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False：

soup.html.find_all("title")
 # [<title>The Dormouse's story</title>]
 
 soup.html.find_all("title", recursive=False)

**（2）find( name , attrs , recursive , text , \*\*kwargs )**

它与 find\_all() 方法唯一的区别是 find\_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

**（3）find\_parents() find\_parent()**

find\_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find\_parents() 和 find\_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

**（4）find\_next\_siblings() find\_next\_sibling()**

这2个方法通过 .next\_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find\_next\_siblings() 方法返回所有符合条件的后面的兄弟节点,find\_next\_sibling() 只返回符合条件的后面的第一个tag节点

**（5）find\_previous\_siblings() find\_previous\_sibling()**

这2个方法通过 .previous\_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find\_previous\_siblings()方法返回所有符合条件的前面的兄弟节点, find\_previous\_sibling() 方法返回第一个符合条件的前面的兄弟节点

**（6）find\_all\_next() find\_next()**

这2个方法通过 .next\_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find\_all\_next() 方法返回所有符合条件的节点, find\_next() 方法返回第一个符合条件的节点

**（7）find\_all\_previous() 和 find\_previous()**

这2个方法通过 .previous\_elements 属性对当前节点前面的 tag 和字符串进行迭代, find\_all\_previous() 方法返回所有符合条件的节点, find\_previous()方法返回第一个符合条件的节点

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find\_all() 完全相同，原理均类似。

#### 5. CSS选择器 ####

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 \#，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 \*\*soup.select()，\*\*返回类型是 **list**

**（1）通过标签名查找**

print soup.select('title') 
 #[<title>The Dormouse's story</title>]

print soup.select('a')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]

**（2）通过类名查找**

print soup.select('.sister')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]

**（3）通过 id 名查找**

print soup.select('#link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

**（4）组合查找**

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开：

print soup.select('p #link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

直接子标签查找：

print soup.select("head > title")
 #[<title>The Dormouse's story</title>]

**（5）属性查找**

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到：

print soup.select('a[class="sister"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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"></a>]

属性也可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格：

print soup.select('p a[href="http://example.com/elsie"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get\_text() 方法来获取它的内容：

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()

更详细的内容查看官方文档：http://beautifulsoup.readthedocs.io/zh\_CN/latest/