• python 爬虫 之BeautifulSoup


    BeautifulSoup是一个模块,该模块用于接收一个HTML或XML字符串,然后将其进行格式化,之后便可以使用他提供的方法进行快速查找指定元素,从而使得在HTML或XML中查找指定元素变得简单。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    from bs4 import BeautifulSoup
     
    html_doc = """
    <html><head><title>The Dormouse's story</title></head>
    <body>
    asdf
        <div class="title">
            <b>The Dormouse's story总共</b>
            <h1>f</h1>
        </div>
    <div class="story">Once upon a time there were three little sisters; and their names were
        <a  class="sister0" id="link1">Els<span>f</span>ie</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.</div>
    ad<br/>sf
    <p class="story">...</p>
    </body>
    </html>
    """
     
    soup = BeautifulSoup(html_doc, features="lxml")
    # 找到第一个a标签
    tag1 = soup.find(name='a')
    # 找到所有的a标签
    tag2 = soup.find_all(name='a')
    # 找到id=link2的标签
    tag3 = soup.select('#link2')

    安装:

    1
    pip3 install beautifulsoup4

    使用示例:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    from bs4 import BeautifulSoup
     
    html_doc = """
    <html><head><title>The Dormouse's story</title></head>
    <body>
        ...
    </body>
    </html>
    """
     
    soup = BeautifulSoup(html_doc, features="lxml")

    一:对象种类

      (1)Tag   

       标记

      soup对象本身比较特殊,它的name为[document],对于其他内部标记,输出的值为标记本身的名称

    抽取title:  print soup.title
    抽取a    :  print soup.a
    抽取p    :  print  soup.a

     Tag不仅可以获取name ,还可以修改name

    soup.title.name = 'mytitle'

         属性

    print soup.p['class']
    print soup.p.get('class')

        (2)NavigableString

         获取标记内部的文字

    print soup.p.string

           转换成unicode字符串

      unicode_string = unicode(soup.p.string)

       (3 )BeautifulSoup

          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,以及属性来感受一下

    print type(soup.name)

        (4)Comment

      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

    三:

      遍历文档数:

      (1)子节点

        要点:.contents  .children  属性

        

    tag 的 .content 属性可以将tag的子节点以列表的方式输出

    输出方式为列表,我们可以用列表索引来获取它的某一个元素

       .children

    它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

    我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象

    我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下

     (2)父节点

      

    它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

    我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象

    我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下

     (2)所有子孙节点

     

     

    1. name,标签名称

    1 # tag = soup.find('a')
    2 # name = tag.name # 获取
    3 # print(name)
    4 # tag.name = 'span' # 设置
    5 # print(soup)

    2. attr,标签属性

    1 # tag = soup.find('a')
    2 # attrs = tag.attrs    # 获取
    3 # print(attrs)
    4 # tag.attrs = {'ik':123} # 设置
    5 # tag.attrs['id'] = 'iiiii' # 设置
    6 # print(soup)

    3. children,所有子标签

    1 # body = soup.find('body')
    2 # v = body.children

    4. descendants,所有子子孙孙标签

    1 # body = soup.find('body')
    2 # v = body.descendants

    5. clear,将标签的所有子标签全部清空(保留标签名)

    1 # tag = soup.find('body')
    2 # tag.clear()
    3 # print(soup)

    6. decompose,递归的删除所有的标签

    1 # body = soup.find('body')
    2 # body.decompose()
    3 # print(soup)

    7. extract,递归的删除所有的标签,并获取删除的标签

    1 # body = soup.find('body')
    2 # v = body.extract()
    3 # print(soup)

    8. decode,转换为字符串(含当前标签);decode_contents(不含当前标签)

    1 # body = soup.find('body')
    2 # v = body.decode()
    3 # v = body.decode_contents()
    4 # print(v)

    9. encode,转换为字节(含当前标签);encode_contents(不含当前标签)

    1 # body = soup.find('body')
    2 # v = body.encode()
    3 # v = body.encode_contents()
    4 # print(v)

    10. find,获取匹配的第一个标签

    1 # tag = soup.find('a')
    2 # print(tag)
    3 # tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
    4 # tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
    5 # print(tag)

    11. find_all,获取匹配的所有标签

    复制代码
     1 # tags = soup.find_all('a')
     2 # print(tags)
     3  
     4 # tags = soup.find_all('a',limit=1)
     5 # print(tags)
     6  
     7 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
     8 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
     9 # print(tags)
    10  
    11  
    12 # ####### 列表 #######
    13 # v = soup.find_all(name=['a','div'])
    14 # print(v)
    15  
    16 # v = soup.find_all(class_=['sister0', 'sister'])
    17 # print(v)
    18  
    19 # v = soup.find_all(text=['Tillie'])
    20 # print(v, type(v[0]))
    21  
    22  
    23 # v = soup.find_all(id=['link1','link2'])
    24 # print(v)
    25  
    26 # v = soup.find_all(href=['link1','link2'])
    27 # print(v)
    28  
    29 # ####### 正则 #######
    30 import re
    31 # rep = re.compile('p')
    32 # rep = re.compile('^p')
    33 # v = soup.find_all(name=rep)
    34 # print(v)
    35  
    36 # rep = re.compile('sister.*')
    37 # v = soup.find_all(class_=rep)
    38 # print(v)
    39  
    40 # rep = re.compile('http://www.oldboy.com/static/.*')
    41 # v = soup.find_all(href=rep)
    42 # print(v)
    43  
    44 # ####### 方法筛选 #######
    45 # def func(tag):
    46 # return tag.has_attr('class') and tag.has_attr('id')
    47 # v = soup.find_all(name=func)
    48 # print(v)
    49  
    50  
    51 # ## get,获取标签属性
    52 # tag = soup.find('a')
    53 # v = tag.get('id')
    54 # print(v)
    复制代码

    12. has_attr,检查标签是否具有该属性

    1 # tag = soup.find('a')
    2 # v = tag.has_attr('id')
    3 # print(v)

    13. get_text,获取标签内部文本内容

    1 # tag = soup.find('a')
    2 # v = tag.get_text('id')
    3 # print(v)

    14. index,检查标签在某标签中的索引位置

    复制代码
    1 # tag = soup.find('body')
    2 # v = tag.index(tag.find('div'))
    3 # print(v)
    4  
    5 # tag = soup.find('body')
    6 # for i,v in enumerate(tag):
    7 # print(i,v)
    复制代码

    15. is_empty_element,是否是空标签(是否可以是空)或者自闭合标签,

         判断是否是如下标签:'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

    1 # tag = soup.find('br')
    2 # v = tag.is_empty_element
    3 # print(v)

    16. 当前的关联标签

    复制代码
     1 # soup.next
     2 # soup.next_element
     3 # soup.next_elements
     4 # soup.next_sibling
     5 # soup.next_siblings
     6  
     7 #
     8 # tag.previous
     9 # tag.previous_element
    10 # tag.previous_elements
    11 # tag.previous_sibling
    12 # tag.previous_siblings
    13  
    14 #
    15 # tag.parent
    16 # tag.parents
    复制代码

    17. 查找某标签的关联标签

    复制代码
     1 # tag.find_next(...)
     2 # tag.find_all_next(...)
     3 # tag.find_next_sibling(...)
     4 # tag.find_next_siblings(...)
     5  
     6 # tag.find_previous(...)
     7 # tag.find_all_previous(...)
     8 # tag.find_previous_sibling(...)
     9 # tag.find_previous_siblings(...)
    10  
    11 # tag.find_parent(...)
    12 # tag.find_parents(...)
    13  
    14 # 参数同find_all
    复制代码

    18. select,select_one, CSS选择器

    复制代码
     1 soup.select("title")
     2  
     3 soup.select("p nth-of-type(3)")
     4  
     5 soup.select("body a")
     6  
     7 soup.select("html head title")
     8  
     9 tag = soup.select("span,a")
    10  
    11 soup.select("head > title")
    12  
    13 soup.select("p > a")
    14  
    15 soup.select("p > a:nth-of-type(2)")
    16  
    17 soup.select("p > #link1")
    18  
    19 soup.select("body > a")
    20  
    21 soup.select("#link1 ~ .sister")
    22  
    23 soup.select("#link1 + .sister")
    24  
    25 soup.select(".sister")
    26  
    27 soup.select("[class~=sister]")
    28  
    29 soup.select("#link1")
    30  
    31 soup.select("a#link2")
    32  
    33 soup.select('a[href]')
    34  
    35 soup.select('a[href="http://example.com/elsie"]')
    36  
    37 soup.select('a[href^="http://example.com/"]')
    38  
    39 soup.select('a[href$="tillie"]')
    40  
    41 soup.select('a[href*=".com/el"]')
    42  
    43  
    44 from bs4.element import Tag
    45  
    46 def default_candidate_generator(tag):
    47     for child in tag.descendants:
    48         if not isinstance(child, Tag):
    49             continue
    50         if not child.has_attr('href'):
    51             continue
    52         yield child
    53  
    54 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
    55 print(type(tags), tags)
    56  
    57 from bs4.element import Tag
    58 def default_candidate_generator(tag):
    59     for child in tag.descendants:
    60         if not isinstance(child, Tag):
    61             continue
    62         if not child.has_attr('href'):
    63             continue
    64         yield child
    65  
    66 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
    67 print(type(tags), tags)
    复制代码

    19. 标签的内容

    复制代码
     1 # tag = soup.find('span')
     2 # print(tag.string)          # 获取
     3 # tag.string = 'new content' # 设置
     4 # print(soup)
     5  
     6 # tag = soup.find('body')
     7 # print(tag.string)
     8 # tag.string = 'xxx'
     9 # print(soup)
    10  
    11 # tag = soup.find('body')
    12 # v = tag.stripped_strings  # 递归内部获取所有标签的文本
    13 # print(v)
    复制代码

    20.append在当前标签内部追加一个标签

    复制代码
     1 # tag = soup.find('body')
     2 # tag.append(soup.find('a'))
     3 # print(soup)
     4 #
     5 # from bs4.element import Tag
     6 # obj = Tag(name='i',attrs={'id': 'it'})
     7 # obj.string = '我是一个新来的'
     8 # tag = soup.find('body')
     9 # tag.append(obj)
    10 # print(soup)
    复制代码

    21.insert在当前标签内部指定位置插入一个标签

    1 # from bs4.element import Tag
    2 # obj = Tag(name='i', attrs={'id': 'it'})
    3 # obj.string = '我是一个新来的'
    4 # tag = soup.find('body')
    5 # tag.insert(2, obj)
    6 # print(soup)

    22. insert_after,insert_before 在当前标签后面或前面插入

    复制代码
    1 # from bs4.element import Tag
    2 # obj = Tag(name='i', attrs={'id': 'it'})
    3 # obj.string = '我是一个新来的'
    4 # tag = soup.find('body')
    5 # # tag.insert_before(obj)
    6 # tag.insert_after(obj)
    7 # print(soup)
    复制代码

    23. replace_with 在当前标签替换为指定标签

    1 # from bs4.element import Tag
    2 # obj = Tag(name='i', attrs={'id': 'it'})
    3 # obj.string = '我是一个新来的'
    4 # tag = soup.find('div')
    5 # tag.replace_with(obj)
    6 # print(soup)

    24. 创建标签之间的关系(但不会改变标签的位置)

    1 # tag = soup.find('div')
    2 # a = soup.find('a')
    3 # tag.setup(previous_sibling=a)
    4 # print(tag.previous_sibling)

    25. wrap,将指定标签把当前标签包裹起来

    复制代码
     1 # from bs4.element import Tag
     2 # obj1 = Tag(name='div', attrs={'id': 'it'})
     3 # obj1.string = '我是一个新来的'
     4 #
     5 # tag = soup.find('a')
     6 # v = tag.wrap(obj1)
     7 # print(soup)
     8  
     9 # tag = soup.find('a')
    10 # v = tag.wrap(soup.find('p'))
    11 # print(soup)
    复制代码

    26. unwrap,去掉当前标签,将保留其包裹的标签

    1 # tag = soup.find('a')
    2 # v = tag.unwrap()
    3 # print(soup)

    转载自:

    http://www.cnblogs.com/wupeiqi/articles/6283017.html

  • 相关阅读:
    TcpClient
    文字识别
    halcon17.12 win7 64深度学框架搭建
    halcon多个形状模板匹配
    halcon 瓶盖定位
    halcol9点标定
    一个机械臂的正逆解
    Matlab robot-9.10(rvctools) 建模与正逆解
    16路舵机控制器USB访问
    C#二维码识别
  • 原文地址:https://www.cnblogs.com/guxiaobei/p/8064483.html
Copyright © 2020-2023  润新知