【Python爬虫】BeautifulSoup4 库的一些用法

ゝ一纸荒年。 2022-05-30 21:57 1295阅读 0赞

Beautiful Soup 是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。   
它提供简单又常用的导航（navigating），搜索以及修改剖析树的操作。它可以大大节省你的编程时间。  
  
**安装 Beautiful Soup**  
 如果你安装了python3,可以在windows的命令行CMD运行下面命令  
pip3 install BeautifulSoup4    
  
**安装解析器**  
 Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .在windows的命令行CMD，可以选择下列方法来安装lxml  
pip3 install lxml   
 下表列出了主要的解析器,以及它们的优缺点:

<table> 
 <thead> 
  <tr> 
   <th style="background-color:#eeddee;text-align:left;">解析器</th> 
   <th style="background-color:#eeddee;text-align:left;">使用方法</th> 
   <th style="background-color:#eeddee;text-align:left;">优势</th> 
   <th style="background-color:#eeddee;text-align:left;">劣势</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Python标准库</td> 
   <td>BeautifulSoup(markup,&nbsp;"html.parser")</td> 
   <td> 
    <ul> 
     <li>Python的内置标准库</li> 
     <li>执行速度适中</li> 
     <li>文档容错能力强</li> 
    </ul></td> 
   <td> 
    <ul> 
     <li>Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差</li> 
    </ul></td> 
  </tr> 
  <tr> 
   <td>lxml HTML 解析器</td> 
   <td>BeautifulSoup(markup,&nbsp;"lxml")</td> 
   <td> 
    <ul> 
     <li>速度快</li> 
     <li>文档容错能力强</li> 
    </ul></td> 
   <td> 
    <ul> 
     <li>需要安装C语言库</li> 
    </ul></td> 
  </tr> 
  <tr> 
   <td>lxml XML 解析器</td> 
   <td> <p>BeautifulSoup(markup,&nbsp;["lxml",&nbsp;"xml"])</p> <p>BeautifulSoup(markup,&nbsp;"xml")</p> </td> 
   <td> 
    <ul> 
     <li>速度快</li> 
     <li>唯一支持XML的解析器</li> 
    </ul></td> 
   <td> 
    <ul> 
     <li>需要安装C语言库</li> 
    </ul></td> 
  </tr> 
  <tr> 
   <td>html5lib</td> 
   <td>BeautifulSoup(markup,&nbsp;"html5lib")</td> 
   <td> 
    <ul> 
     <li>最好的容错性</li> 
     <li>以浏览器的方式解析文档</li> 
     <li>生成HTML5格式的文档</li> 
    </ul></td> 
   <td> 
    <ul> 
     <li>速度慢</li> 
     <li>不依赖外部扩展</li> 
    </ul></td> 
  </tr> 
 </tbody> 
</table>

*具体可以参考文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/\#id15** *

推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.  
 使用BeautifulSoup及解析器lxml解析源代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的格式的结构输出。  
  
**看一下下面的例子**

url = requests.get('http://www.xingmeng365.com/articles.asp?id=7')
    url.encoding = 'gb2312'
    html_doc = url.text
    soup = BeautifulSoup(html_doc,"lxml")

其中url=requests.get('链接')，通过request库，获取源代码，然后通过encoding = 'gb2312'转换格式  
html\_doc = url.text将源代码转换为文件，然后通过BeautifulSoup及解析器lxml，得到一个 BeautifulSoup 的对象,并能按照标准的格式的结构输出。

**Beautiful Soup三种常见用法**

**1) 搜索tag：**

print(soup.head)                 #获取头部
    print(soup.title)                #获取标题
    print(soup.h1)                   #获取h1标签
    print(soup.title,soup.h1)        #获取title和h1 find(list)

**打印出来的内容：**

*<title>性感女神王雨纯黑色内衣写真妩媚迷人(1/13)\_性感美女\_星梦365</title>  
<h1>性感女神王雨纯黑色内衣写真妩媚迷人</h1>*

**2) 搜索属性(attrs)：**

print(soup.find(id='link3'))     #获取id为link3的标签

**3) 搜索文字（text）:**

print(soup.title.getText())      #获取title标签的文字内容
    print(soup.h1.get_text())        #获取第h1标签的文字内容
    print(soup.p.get_text())         #获取p标签的文字内容
    print(soup.span.get_text())      #获取span标签的文字内容

**打印出来的内容：**

*性感女神王雨纯黑色内衣写真妩媚迷人(1/13)\_性感美女\_星梦365  
性感女神王雨纯黑色内衣写真妩媚迷人*

getText()或者get\_text()都是获取属性的文字内容。

**4）循环获取内容：**

#循环获取所有页面链接
    for link in soup.find_all('a'):
        print(link.get('href'))
    
    #循环获取页面所有图片链接
    for link in soup.find_all('img'):
        print(link.get('src'))
    
    #循环获取页面所有符合要求的图片链接
    for link in soup.find_all('img'):
        if "/upload/image" in link.get('src'):
            print(link.get('src'))

*articles.asp?id=7&mm=2  
articles.asp?id=790  
articles.asp?id=7&mm=2  
articles.asp?id=371  
articles.asp?id=420  
articles.asp?id=278  
articles.asp?id=391  
articles.asp?id=102*

*/images/logo.png  
/upload/image/20170811/20170811210545754575.jpg  
/upload/Smallpic/20179232057110.jpg  
/upload/Smallpic/20171061957350.jpg  
/upload/Smallpic/2017962036430.jpg  
/upload/Smallpic/201792805460.jpg  
/upload/Smallpic/20178161949370.jpg*

*/upload/image/20170811/20170811210545754575.jpg*

以上就是我们常用的一些方法，具体更复杂的方法可以参考官方文档。