Python爬虫--BeautifulSoup4教程、练习

本是古典何须时尚 2022-05-13 10:12 264阅读 0赞

代码放在GitHub上，[https://github.com/LoyalWilliams/python-learning.git][https_github.com_LoyalWilliams_python-learning.git]  
具体代码在目录[/crawler/base/Selenium+PhantomJS][crawler_base_Selenium_PhantomJS]

## 练习1 ##

#coding=utf-8
 
 from bs4 import BeautifulSoup
 
 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')
 
 # print soup.prettify()
 # 1. Tag
 print '############## 1.Tag #####################'
 print soup.title
 # <title>The Dormouse's story</title>
 
 print soup.head
 # <head><title>The Dormouse's story</title></head>
 print soup.a
 # <a class="sister" href="http://example.com/elsie" id="link1"></a>
 print soup.p
 # The Dormouse's story
 print type(soup.p)
 # <class 'bs4.element.Tag'>
 
 # 对于 Tag，它有两个重要的属性，是 name 和 attrs
 print '############## Tag：name,attrs #####################'
 print soup.name
 # [document] #soup 对象本身比较特殊，它的 name 即为 [document]
 
 print soup.head.name
 # head #对于其他内部标签，输出的值便为标签本身的名称
 
 print soup.p.attrs
 # {'class': ['title'], 'name': 'dromouse'}
 # 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
 
 print soup.p['class'] # soup.p.get('class')
 # ['title'] #还可以利用get方法，传入属性的名称，二者是等价的
 
 soup.p['class'] = "newClass"
 print soup.p # 可以对这些属性和内容等等进行修改
 # The Dormouse's story
 
 del soup.p['class'] # 还可以对这个属性进行删除
 print soup.p
 # The Dormouse's story
 
 print type(soup.name)
 # <type 'unicode'>
 
 print soup.name
 # [document]
 
 print soup.attrs # 文档本身的属性为空
 # {}
 
 # 2. NavigableString
 print '#################### 2. NavigableString ######################'
 print soup.p.string
 # The Dormouse's story
 print type(soup.p.string)
 # In [13]: <class 'bs4.element.NavigableString'>
 
 # 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。
 print '################### 4. Comment ########################'
 print soup.a
 # <a class="sister" href="http://example.com/elsie" id="link1"></a>
 
 print soup.a.string
 # Elsie
 
 print type(soup.a.string)
 # <class 'bs4.element.Comment'>

## 练习2 ##

## 练习3 ##

#coding=utf-8
 
 from bs4 import BeautifulSoup
 
 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')
 
 # 搜索文档树
 # 1.find_all(name, attrs, recursive, text, **kwargs)
 # 1）name 参数
 # name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
 # A.传字符串
 # 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:
 print '##################### A.传字符串 ###################################'
 print soup.find_all('b')
 # [The Dormouse's story]
 
 print soup.find_all('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>]
 
 # 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<body>和标签都应该被找到
 print '##################### B.传正则表达式 ###################################'
 import re
 for tag in soup.find_all(re.compile("^b")):
 print(tag.name)
 # body
 # b
 
 # C.传列表
 # 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<a>标签和标签:
 print '##################### C.传列表 ###################################'
 print 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>]
 
 # 2）keyword 参数
 print '##################### keyword 参数 ###################################'
 print soup.find_all(id='link2')
 # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
 
 
 # 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
 print '##################### 3）text 参数 ###################################'
 print soup.find_all(text="Elsie")
 # [u'Elsie']
 print soup.find_all(text=["Tillie", "Elsie", "Lacie"])
 # [u'Elsie', u'Lacie', u'Tillie']
 print soup.find_all(text=re.compile("Dormouse"))
 # [u"The Dormouse's story", u"The Dormouse's story"]

## 练习4 ##

#coding=utf-8
 
 from bs4 import BeautifulSoup
 
 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')
 
 # CSS选择器
 # 这就是另一种与 find_all 方法有异曲同工之妙的查找方法.
 # 写 CSS 时，标签名不加任何修饰，类名前加.，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 '####################### （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>]
 print soup.select('b')
 #[The Dormouse's story]
 
 # （2）通过类名查找
 print '####################### （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="h
 
 # （3）通过 id 名查找
 print '####################### （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 '####################### 4）组合查找 ##################################'
 print soup.select('p #link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
 # 直接子标签查找，则使用 > 分隔
 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 '####################### （5）属性查找 ##################################'
 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>]
 
 # 同样，属性仍然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>]
 
 # (6) 获取内容
 # 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。
 print '####################### (6) 获取内容 ##################################'
 print type(soup.select('title'))
 print soup.select('title')[0].get_text()
 
 for title in soup.select('title'):
 print title.get_text()

代码放在GitHub上，[https://github.com/LoyalWilliams/python-learning.git][https_github.com_LoyalWilliams_python-learning.git]  
以上具体代码在目录[/crawler/base/Selenium+PhantomJS][crawler_base_Selenium_PhantomJS]

[我的GitHub][GitHub]  
QQ：2541692705  
邮箱：loyalwilliams@163.com  
微信扫一扫关注我，没事可以玩玩小游戏  
![20190521165139570.png][]  
  
  
我想去流浪，我想去读书，若有机会，江湖再见  
扫一扫，领取红包，就当奖励你我付出的努力  
![20181213140254471.png][]

[https_github.com_LoyalWilliams_python-learning.git]: https://github.com/LoyalWilliams/python-learning.git
[crawler_base_Selenium_PhantomJS]: https://github.com/LoyalWilliams/python-learning/tree/master/crawler/base/Selenium%2BPhantomJS
[GitHub]: https://github.com/LoyalWilliams
[20190521165139570.png]: /images/20220513/fa590bb53db24b268ea98aaa68bd7934.png
[20181213140254471.png]: /images/20220513/9480101bb9844279bf245a20a9fa7c28.png