Python爬虫beautifulsoup4常用的解析方法总结

ゞ浴缸里的玫瑰 2023-07-08 09:16 2阅读 0赞

今天小编就为大家分享一篇关于Python爬虫beautifulsoup4常用的解析方法总结，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧  
摘要

如何用beautifulsoup4解析各种情况的网页  
beautifulsoup4的使用

关于beautifulsoup4，官网已经讲的很详细了，我这里就把一些常用的解析方法做个总结，方便查阅。

装载html文档

使用beautifulsoup的第一步是把html文档装载到beautifulsoup中，使其形成一个beautifulsoup对象。

import requests
    from bs4 import BeautifulSoup
    url = "http://new.qq.com/omn/20180705/20180705A0920X.html"
    r = requests.get(url)
    htmls = r.text
    #print(htmls)
    soup = BeautifulSoup(htmls, 'html.parser')

初始化BeautifulSoup类时，需要加入两个参数，第一个参数即是我们爬到html源码，第二个参数是html解析器，常用的有三个解析器，分别是”html.parser”,”lxml”,”html5lib”，官网推荐用lxml，因为效率高，当然需要pip install lxml一下。

当然这三种解析方式在某些情况解析得到的对象内容是不同的，比如对于标签不完整这一情况（p标签只有一半）：

soup = BeautifulSoup("<a>", "html.parser")
 # 只有起始标签的会自动补全，只有结束标签的灰自动忽略
 # 结果为：<a></a>
 soup = BeautifulSoup("<a>", "lxml")
 #结果为：<html><body><a></a></body></html>
 soup = BeautifulSoup("<a>", "html5lib")
 # html5lib则出现一般的标签都会自动补全
 # 结果为：<html><head></head><body><a></a></body></html>

使用

在使用中，我尽量按照我使用的频率介绍，毕竟为了查阅~

按照标签名称、id、class等信息获取某个标签

html = 'The Dormouses story'
 soup = BeautifulSoup(html, 'lxml')
 #根据class的名称获取p标签内的所有内容
 soup.find(class_="title")
 #或者
 soup.find("p",class_="title" id = "p1")
 #获取class为title的p标签的文本内容"The Dormouse's story"
 soup.find(class_="title").get_text()
 #获取文本内容时可以指定不同标签之间的分隔符，也可以选择是否去掉前后的空白。
 soup = BeautifulSoup(' The Dormouses story The Dormouses story', "html5lib")
 soup.find(class_="title").get_text("|", strip=True)
 #结果为：The Dormouses story|The Dormouses story
 #获取class为title的p标签的id
 soup.find(class_="title").get("id")
 #对class名称正则：
 soup.find_all(class_=re.compile("tit"))
 #recursive参数，recursive=False时，只find当前标签的第一级子标签的数据
 soup = BeautifulSoup('<html><head><title>abc','lxml')
 soup.html.find_all("title", recursive=False)

按照标签名称、id、class等信息获取多个标签

soup = BeautifulSoup(' The like story The Dormouses story', "html5lib")
 #获取所有class为title的标签
 for i in soup.find_all(class_="title"):
 print(i.get_text())
 #获取特定数量的class为title的标签
 for i in soup.find_all(class_="title",limit = 2):
 print(i.get_text())

按照标签的其他属性获取某个标签

html = '<a alog-action="qb-ask-uname" href="/usercent" rel="external nofollow" target="_blank">蜗牛宋</a>'
 soup = BeautifulSoup(html, 'lxml')
 # 获取"蜗牛宋",此时，该标签里既没有class也没有id，需要根据其属性来定义获取规则
 author = soup.find('a',{ "alog-action":"qb-ask-uname"}).get_text()
 #或
 author = soup.find(attrs={ "alog-action": "qb-ask-uname"})

找前头和后头的标签

soup.find_all_previous("p")
    soup.find_previous("p")
    soup.find_all_next("p")
    soup.find_next("p")

找父标签

soup.find_parents("div")
    soup.find_parent("div")

css选择器

soup.select("title") #标签名
    soup.select("html head title") #多级标签名
    soup.select("p > a") #p内的所有a标签
    soup.select("p > #link1") #P标签内，按id查标签
    soup.select("#link1 ~ .sister") #查找相同class的兄弟节点
    soup.select("#link1 + .sister")
    soup.select(".sister") #按class名称查
    soup.select("#sister") #按id名称查
    soup.select('a[href="http://example.com/elsie" rel="external nofollow" ]') # 按标签的属性查
    soup.select('a[href$="tillie"]')
    soup.select_one(".sister")

注意几个可能出现的错误，可以用try捕获来防止爬虫进程

UnicodeEncodeError: ‘charmap’ codec can’t encode character u’\\xfoo’ in position bar (或其它类型的 UnicodeEncodeError  
需要转码

AttributeError: ‘NoneType’ object has no attribute ‘foo’  
没这个属性

就介绍这么多，应该可以覆盖大部分网页结构了吧~！  
推荐我们的python学习基地，看前辈们是如何学习的！从基础的python脚本、爬虫、django、数据挖掘等编程技术，还有整理零基础到项目实战的资料，送给每一位爱学习python的小伙伴！每天都有老前辈定时讲解Python技术，分享一些学习的方法和需要留意的小细节，[点击加入][Link 1]我们的 python学习者聚集地  
总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，

[Link 1]: https://jq.qq.com/?_wv=1027&k=5ipV5It