1、Beautiful Soup的简介
简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。
官方解释如下:
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
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 Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
2、Beautiful Soup 安装
pip install beautifulsoup4
安装 lxml
pip install 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
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,如果我们不安装它,则 Python 会使用 Python默认的解析器,lxml 解析器更加强大,速度更快,推荐安装
3、创建 Beautiful Soup 对象
首先必须要导入 bs4 库
from bs4 import beautifulSoup
创建一个爱丽丝梦游仙境的字符串,后面用来实验:
4、四大对象种类html ="""
<html><head><title>The Dormouse's story</title></head>
<body>
<p><b>The Dormouse's story</b></p>
<p>Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" id="link1">Elsie</a>,
<a href="http://example.com/lacie" id="link2">Lacie</a> and
<a href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p>...</p>
"""
#创建beautifulsoup对象
soup =beautifulSoup(html)
#还可以用本地HTML文件来创建对象,如:
soup =beautifulSoup(open('index.html'))
#下面我们来打印一下 soup 对象的内容,格式化输出
printsoup.prettify()
#这个函数经常用到,要牢记
<head>
<title>
The Dormouse's story
</title>
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是
Python对象,所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
<title>The Dormouse’s story</title>
用 Beautiful Soup 来方便地获取 Tags:
下面每一段代码中注释部分即为运行结果:
printsoup.title
#<title>The Dormouse's story</title>
printsoup.head
#<head><title>The Dormouse's story</title></head>
printsoup.a
#<a href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
printsoup.p
#<p name="dromouse"><b>The Dormouse's story</b></p>
有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后//www.58yuanyou.com面进行介绍。
我们可以验证一下这些对象的类型:
printtype(soup.a)
#<class '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:
printsoup.name
printsoup.head.name
#[document]
#head
'''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
printsoup.p.attrs
#{'class': ['title'], 'nahAuWsPtkFme': 'dromouse'}
'原由网''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。
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'''
printsoup.p['class']
#['title']
'''还可以这样,利用get方法,传入属性的名称,二者是等价的'''
printsoup.p.get('class')
#['title']
我们可以对这些属性和内容等等进行修改,例如
(2)NavigableStringsoup.p['class']="newClass"
printsoup.p
#<p name="dromouse"><b>The Dormouse's story</b><原由网;/p>
既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?
很简单,用 .string 即可,例如
printsoup.p.string
#The Dormouse's story
这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,
翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。
来检查一下它的类型:
(3)BeautifulSoupprinttype(soup.p.string)
#<class 'bs4.element.NavigableString'>
BeautifulSoup 对象表示的是一个文档的全部内容。大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性:
(4)Commentprinttype(so//www.58yuanyou.comup.name)
#<type 'unicode'>
printsoup.name
# [document]
printsoup.attrs
#{} 空字典
Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签:
printsoup.a
printsoup.a.string
printtype(soup.a.string)
#运行结果如下:
<a class="sister"href="http://example.com/elsie"id="link1"><!-- Elsie --></a>
Elsie
<class'bs4.element.Comment'>
a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。另外我们打印输出下它的类型,发现它是一个 Comment 类型,
所以,我们在使用前最好做一下判断,判断代码如下:
iftype(soup.a.string)==bs4.element.Comment:
printsoup.a.string
上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。
由于篇章较长,这里先简单介绍一下Beautiful Soup的用法,后面我再整理更多的内容供大家参考学习。
希望通过上面的内容能帮助大家。如果你有什么好的意见,建议,或者有不同的看法,我都希望你留言和我们进行交流、讨论。
如果想快速联系我,欢迎关注微信公众号:AiryData。
欢迎访问原文链接查看更多精彩内容。