11python爬虫之BeautifulSoup

  • Z时代
  • 2024-01-10
  • 分类：综合

python

CSS Selector

CSS(即层叠样式表Cascading Stylesheet),

Selector来定位（locate）页面上的元素（Elements）。Selenium官网的Document里极力推荐使用CSS locator，而不是XPath来定位元素，原因是CSS locator比XPath locator速度快.

Beautiful Soup

  • 支持从HTML或XML文件中提取数据的Python库

  • 支持Python标准库中的HTML解析器

  • 还支持一些第三方的解析器lxml, 使用的是 Xpath 语法，推荐安装。

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 Soup4 安装

    官方文档链接:

https://www.crummy.com/software/BeautifulSoup/bs4/doc/

可以利用 pip来安装

  1. pip install beautifulsoup4

  • 安装解析器(上节课已经安装过)

pip install lxml

  • 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 .根据操作系统不同,可以选择下列方法来安装lxml:

    另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

pip install html5lib

下表列出了主要的解析器：

解析器

使用方法

优势

劣势

Python标准库

BeautifulSoup(markup, "html.parser")

Python的内置标准库;执行速度适中;文档容错能力强

Python 2.7.3 or 3.2.2前 的版本中文档容错能力差

lxml HTML 解析器

BeautifulSoup(markup, "lxml")

速度快;文档容错能力强 ;

需要安装C语言库

lxml XML 解析器

BeautifulSoup(markup, ["lxml-xml"]) BeautifulSoup(markup, "xml")

速度快;唯一支持XML的解析器

需要安装C语言库

html5lib

BeautifulSoup(markup, "html5lib")

最好的容错性;以浏览器的方式解析文档;生成HTML5格式的文档

速度慢;不依赖外部扩展

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.

  • 快速开始

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

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:

from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc,"lxml")

下面我们来打印一下 soup 对象的内容

print (soup)

格式化输出soup 对象

print(soup.prettify())

CSS选择器

在写 CSS 时：

标签名不加任何修饰  类名前加点  id名前加 #

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

  • 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"))
#[<b>The Dormouse"s story</b>]

  • 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>]

  • 通过 id 名查找

print(soup.select("#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>]

  • 组合查找

    组合查找即标签名与类名、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，

属性和标签不属于同一节点 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>]

  • 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>]

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>]

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

用 get_text() 方法来获取它的内容。

print（soup.select("title")[0].get_text() ）
for title in soup.select("title"): 
    print (title.get_text())

Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

    <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>    
print type(soup.select("a")[0])

输出：

bs4.element.Tag

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

  • name

print (soup.name) print (soup.select("a")[0].name)

输出：

[document] "a"

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

  • attrs

print (soup.select("a")[0].attrs)

输出：

{"href": "http://example.com/elsie", "class": ["sister"], "id": "link1"}

在这里，我们把 soup.select("a")[0] 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print (soup.select("a")[0].attrs["class"])

输出：

["sister"]

实战

爬取豆瓣电影排行榜案例

https://movie.douban.com/chart

from bs4 import BeautifulSoup
import urllib.parse
import urllib.request
​
url="https://movie.douban.com/chart"
# 豆瓣排行榜
​
herders={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36", "Referer":"https://movie.douban.com/","Connection":"keep-alive"}
# 请求头信息
​
req = urllib.request.Request(url,headers=herders)
# 设置请求头
response=urllib.request.urlopen(req)
# response 是返回响应的数据
htmlText=response.read()
# 读取响应数据
​
​
# 把字符串解析为html文档
html = BeautifulSoup(htmlText,"lxml")
​
result = html.select(".pl2")
​
file = open("data.txt","a",encoding="utf-8")
# 打开一个文本文件
​
# 遍历几个
for item in result:
    str = ""
    #声明一个空的字符串
    str += item.select("a")[0].get_text().replace(" ","").replace("
","")
    # 获取标题文字.替换掉空格.替换掉换行
    str += "("
    # 给评分加个左括号
    str += item.select(".rating_nums")[0].get_text()
    # 获取评分
    str += ")
"
    # 给评分加个右括号
    print(str)
    # 在控制台输出内容
    file.write(str)
    # 写入文件
​
​
file.close()
# 关闭文件

结果

从邪恶中拯救我/魔鬼对决(台)/请救我于邪恶(7.2)
神弃之地/恶魔每时每刻(6.9)
监视资本主义：智能陷阱/社交困境/智能社会：进退两难(台)(8.6)
我想结束这一切/i’mthinkingofendingthings(风格化标题)(7.3)
禁锢之地/Imprisonment/TheTrapped(4.4)
鸣鸟不飞：乌云密布/SaezuruToriWaHabatakanai:TheCloudsGather(8.3)
树上有个好地方/TheHomeintheTree(7.9)
辣手保姆2：女王蜂/撒旦保姆：血腥女王/TheBabysitter2(5.7)
冻结的希望/雪藏希望：待日重生/HopeFrozen:AQuestToLiveTwice(8.1)
铁雨2：首脑峰会/铁雨2：首脑会谈/钢铁雨2：核战危机(港)(5.8)

单词表

"""
单词表
Beautiful       美丽的
Soup            汤
url             统一资源定位器
lib             library 库
parse           解析
request         解析
respone         响应
select          选择
open            打开
encoding        编码
get_text        获取文本
write           写
close           关闭

问题？

好，这就是另一种与 XPath 语法有异曲同工之妙的查找方法，觉得哪种更方便？

IT入门 感谢关注 |  练习地址：www.520mg.com/it

以上是 11python爬虫之BeautifulSoup 的全部内容， 来源链接： utcz.com/z/530200.html

回到顶部