python网络爬虫——Beautiful Soup的使用（五）

怼烎@ 2022-09-12 02:48 141阅读 0赞

### python网络爬虫——Beautiful Soup的使用（五） ###

*   *   *  一、Beautiful Soup的介绍
         *  二、Beautiful Soup的使用
         *   *  1、节点选择器
             *  2、提取信息
             *  3、关联选择
             *  4、方法选择器
             *  5、CSS选择器
     *

### 一、Beautiful Soup的介绍 ###

Beautiful Soup是一个强大的解析工具，它借助网页结构和属性等特性来解析网页。

它提供一些函数来处理导航、搜索、修改分析树等功能，Beautiful Soup不需要考虑文档的编码格式。Beautiful Soup在解析时实际上需要依赖解析器，常用的解析器是lxml。

### 二、Beautiful Soup的使用 ###

test03.html测试实例：

<!DOCTYPE html>
    <html>
    <head>
        <meta content="text/html;charset=utf-8" http-equiv="content-type" />
        <meta content="IE=Edge" http-equiv="X-UA-Compatible" />
        <meta content="always" name="referrer" />
        <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />
        <title>百度一下，你就知道 </title>
    </head>
    <body link="#0000cc">
      <div id="wrapper">
        <div id="head">
            <div class="head_wrapper">
              <div id="u1">
                <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
                <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
                <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
                <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
                <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
                <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
              </div>
            </div>
        </div>
      </div>
    </body>
    </html>

#### 1、节点选择器 ####

我们之前了解到，一个网页是由若干个元素节点组成的，通过提取某个节点的具体内容，就可以获取到界面呈现的一些数据。使用节点选择器能够简化我们获取数据的过程，在不使用正则表达式的前提下，精准的获取数据。

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.head)
    print(soup.head.title)
    print(soup.a)

【运行结果】

分析：

第一条打印数据为获取网页的head节点；

第二条打印内容是获取head节点中title节点，获取该节点使用了一个嵌套选择，因为title节点是嵌套在head节点里面的；

第三条打印内容是获取a节点，在源码中我们看到有许多条a节点，而只匹配到第一个a节点就结束了。当有多个节点时，这种选择方式指只会选择第一个匹配的节点，其他后面节点会忽略。

#### 2、提取信息 ####

一般我们需要的数据位于节点名、属性值、文本值中，以下代码展示了如何获取这三个地方的数据：

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.body.name)
    print(soup.body.a.attrs['class'])
    print(soup.body.a.attrs['href'])
    print(soup.body.a.string)

【运行结果】

body
    ['mnav']
    http://news.baidu.com
    新闻

分析：

第一条获取body节点名；

第二条获取a节点class属性值；

第三条获取a节点href属性值；

第四条获取a节点的文本值；

#### 3、关联选择 ####

（1）子节点和子孙节点

子节点可以调用contents属性和children属性，子孙节点可以调用descendants属性，他们返回结果都是生成器类型，通过for循环输出匹配到的信息。

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    # print(soup.body.contents)
    for i,content in enumerate(soup.body.contents):
        print(i,content)

【运行结果】

0 
    
    1 <div id="wrapper">
    <div id="head">
    <div class="head_wrapper">
    <div id="u1">
    <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
    <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
    <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
    <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
    <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
    <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
    </div>
    </div>
    </div>
    </div>
    2

（2）父节点和祖先节点

获取某个节点的父节点可以调用parent属性，例如获取实例中title节点的父节点：

file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.title.parent)

【运行结果】

同理，如果是想要获取节点的祖先节点，则可调用parents属性。

（3）兄弟节点

调用next\_sibling获取节点的下一个兄弟元素；

调用previous\_sibling获取节点的上一个兄弟元素；

调用next\_siblings取节点的下一个兄弟节点；

调用previous\_siblings获取节点的上一个兄弟节点；

#### 4、方法选择器 ####

**find\_all（）**

查找所有符合条件的元素，其使用方法如下：

find_all(name,attrs,recursive,text,**kwargs)

（1）name

根据节点名来查询元素，例如查询实例中a标签元素：

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.find_all(name = "a"))
    for a in soup.find_all(name = "a"):
        print(a)

【运行结果】

[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>, <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>, <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>, <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>, <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>, <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]
    <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
    <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
    <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
    <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
    <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
    <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>

（2）attrs

在查询时我们还可以传入标签的属性，attrs参数的数据类型是字典。

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.find_all(name = "a",attrs = {
        "class":"bri"}))

【运行结果】

[<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>]

可以看到，在加上class=“bri”属性时，查询结果就只剩一条a标签元素。

（3）text

text参数可以用来匹配节点的文本，传入的可以是字符串，也可以是正则表达式对象。

import re
    from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.find_all(name = "a",text = re.compile('新闻')))

【运行结果】

[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>]

只包含文本内容为“新闻”的a标签。

**find（）**

find（）的使用与前者相似，唯一不同的是，find进匹配搜索到的第一个元素，然后返回单个元素，find\_all（）则是匹配所有符合条件的元素，返回一个列表。

#### 5、CSS选择器 ####

使用CSS选择器时，调用select（）方法，传入相应的CSS选择器；

例如使用CSS选择器获取实例中的a标签

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    print(soup.select('a'))
    for a in soup.select('a'):
        print(a)

【运行结果】

**获取属性**

获取上述a标签中的href属性

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    for a in soup.select('a'):
        print(a['href'])

【运行结果】

http://news.baidu.com
    https://www.hao123.com
    http://map.baidu.com
    http://v.baidu.com
    http://tieba.baidu.com
    //www.baidu.com/more/

**获取文本**

获取上述a标签的文本内容，使用get\_text()方法，或者是string获取文本内容

from bs4 import BeautifulSoup
    
    file = open("./test03.html",'rb')
    html = file.read()
    soup = BeautifulSoup(html,'lxml')
    for a in soup.select('a'):
        print(a.get_text())
        print(a.string)

【运行结果】

新闻 
    新闻 
    hao123 
    hao123 
    地图 
    地图 
    视频 
    视频 
    贴吧 
    贴吧 
    更多产品 
    更多产品

##  ##