python爬蟲之BeautifulSoup

簡介

Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱,通過解析文檔為用戶提供需要抓取的數據,因為簡單,所以不需要多少代碼就可以寫出一個完整的應用程序。Beautiful Soup自動將輸入文檔轉換為Unicode編碼,輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式,除非文檔沒有指定一個編碼方式,這時,Beautiful Soup就不能自動識別編碼方式了。然後,你僅僅需要說明一下原始編碼方式就可以了。

Beautiful Soup已成為和lxml、html6lib一樣出色的python解釋器,為用戶靈活地提供不同的解析策略或強勁的速度。

安裝

pip install BeautifulSoup4
easy_install BeautifulSoup4

創建BeautifulSoup對象

  • 首先應該導入BeautifulSoup類庫 from bs4 import BeautifulSoup

  • 下面開始創建對像,在開始之前為了方便演示,先創建一個html文本,如下:

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""
  • 創建對象:soup=BeautifulSoup(html,'lxml'),這裡的lxml是解析的類庫,目前來說個人覺得最好的解析器了,一直在用這個,安裝方法:pip install lxml

Tag

Tag就是html中的一個標籤,用BeautifulSoup就能解析出來Tag的具體內容,具體的格式為soup.name,其中name是html下的標籤,具體實例如下:

  • print soup.title輸出title標籤下的內容,包括此標籤,這個將會輸出The Dormouse's story

  • print soup.head

注意:

這裡的格式只能獲取這些標籤的第一個,後面會講到獲取多個標籤的方法。其中對於Tag有兩個重要的屬性name和attrs,分別表示名字和屬性,介紹如下:

  • name:對於Tag,它的name就是其本身,如soup.p.name就是p

  • attrs是一個字典類型的,對應的是屬性-值,如print soup.p.attrs,輸出的就是{'class': ['title'], 'name': 'dromouse'},當然你也可以得到具體的值,如print soup.p.attrs['class'],輸出的就是[title]是一個列表的類型,因為一個屬性可能對應多個值,當然你也可以通過get方法得到屬性的,如:print soup.p.get('class')。還可以直接使用print soup.p['class']

get

get方法用於得到標籤下的屬性值,注意這是一個重要的方法,在許多場合都能用到,比如你要得到標籤下的圖像url,那麼就可以用soup.img.get('src'),具體解析如下:

print soup.p.get("class")   #得到第一個p標籤下的src屬性

string

得到標籤下的文本內容,只有在此標籤下沒有子標籤,或者只有一個子標籤的情況下才能返回其中的內容,否則返回的是None具體實例如下:

print soup.p.string #在上面的一段文本中p標籤沒有子標籤,因此能夠正確返回文本的內容
print soup.html.string  #這裡得到的就是None,因為這裡的html中有很多的子標籤

get_text()

可以獲得一個標籤中的所有文本內容,包括子孫節點的內容,這是最常用的方法

搜索文檔樹

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

find_all是用於搜索節點中所有符合過濾條件的節點

1.name參數:是Tag的名字,如p,div,title …..

soup.find_all("p") 查找所有的p標籤,返回的是[The Dormouse's story],可以通過遍歷獲取每一個節點,如下:

ps=soup.find_all("p")
for p in ps:
    print p.get('class')   #得到p標籤下的class屬性

傳入正則表達式:soup.find_all(re.compile(r'^b')查找以b開頭的所有標籤,這裡的body和b標籤都會被查到

傳入類列表:如果傳入列表參數,BeautifulSoup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標籤和標籤

soup.find_all(["a", "b"])

2. KeyWords參數,就是傳入屬性和對應的屬性值,或者一些其他的表達式

  • soup.find_all(id='link2'),這個將會搜索找到所有的id屬性為link2的標籤。傳入正則表達式soup.find_all(href=re.compile("elsie")),這個將會查找所有href屬性滿足正則表達式的標籤

  • 傳入多個值:soup.findall(id='link2',class='title') ,這個將會查找到同時滿足這兩個屬性的標籤,這裡的class必須用class_傳入參數,因為class是python中的關鍵詞

  • 有些屬性不能通過以上方法直接搜索,比如html5中的data-*屬性,不過可以通過attrs參數指定一個字典參數來搜索包含特殊屬性的標籤,如下:

# [<div data-foo="value">foo!</div>]
data_soup.find_all(attrs={"data-foo": "value"})   #注意這裡的atts不僅能夠搜索特殊屬性,亦可以搜索普通屬性
soup.find_all("p",attrs={'class':'title','id':'value'})  #相當與soup.find_all('p',class_='title',id='value')

3. text參數:通過 text 參數可以搜搜文檔中的字符串內容.與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表, True

soup.find_all(text="Elsie")
# [u'Elsie']

soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']

soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]

4. limit參數:find_all() 方法返回全部的搜索結構,如果文檔樹很大那麼搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量,代碼如下:

soup.find_all("a", limit=2)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

5.recursive 參數:調用tag的 find_all() 方法時,BeautifulSoup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False

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

它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果,就是直接返回第一匹配到的元素,不是列表,不用遍歷,如soup.find("p").get("class")

css選擇器

我們在寫 CSS 時,標籤名不加任何修飾,類名前加點,id名前加#,在這裡我們也可以利用類似的方法來篩選元素,用到的方法是 soup.select(),返回類型是 list

通過標籤名查找

print soup.select('title') 
#[<title>The Dormouse's story</title>]
print soup.select('a')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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>]

通過類名查找

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

通過id名查找

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

組合查找

學過css的都知道css選擇器,如p #link1是查找p標籤下的id屬性為link1的標籤

print soup.select('p #link1')    #查找p標籤中內容為id屬性為link1的標籤
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
print soup.select("head > title")   #直接查找子標籤
#[<title>The Dormouse's story</title>]

屬性查找

查找時還可以加入屬性元素,屬性需要用中括號括起來,注意屬性和標籤屬於同一節點,所以中間不能加空格,否則會無法匹配到。

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

同樣,屬性仍然可以與上述查找方式組合,不在同一節點的空格隔開,同一節點的不加空格,代碼如下:

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

以上的 select 方法返回的結果都是列表形式,可以遍歷形式輸出,然後用 get_text() 方法來獲取它的內容

soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
    print title.get_text()

修改文檔樹

Beautiful Soup的強項是文檔樹的搜索,但同時也可以方便的修改文檔樹,這個雖說對於一些其他的爬蟲並不適用,因為他們都是爬文章的內容的,並不需要網頁的源碼並且修改它們,但是在我後續更新的文章中有用python製作pdf電子書的,這個就需要用到修改文檔樹的功能了,詳情請見本人博客

修改tag的名稱和屬性

html="""
<p><a href='#'>修改文檔樹</a></p>
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.a    #得到標籤a,可以使用print tag.name輸出標籤
tag['class']='content'    #修改標籤a的屬性class和div
tag['div']='nav'

修改.string

注意這裡如果標籤的中還嵌套了子孫標籤,那麼如果直接使用string這個屬性會將這裡的所有的子孫標籤都覆蓋掉

html="""
<p><a href='#'>修改文檔樹</a></p>
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.a
tag.string='陳加兵的博客'   #這裡會將修改文檔樹變成修改的內容
print  tag
soup.p.string='陳加兵的博客'   #這裡修改了p標籤的內容,那麼就會覆蓋掉a標籤,直接變成的修改後的文本
print soup

append

append的方法的作用是在在原本標籤文本後面附加文本,就像python中列表的append方法

html="""
<p><a href='#'>修改文檔樹</a></p>
"""
soup=BeautifulSoup(html,'lxml')
soup.a.append("陳加兵的博客")    #在a標籤和麵添加文本,這裡的文本內容將會變成修改文檔樹陳加兵的博客
print soup
print soup.a.contents    #這裡輸出a標籤的內容,這裡的必定是一個帶有兩個元素的列表

注意這裡的append方法也可以將一個新的標籤插入到文本的後面,下面將會講到

new_tag

相信學過js的朋友都知道怎樣創建一個新的標籤,這裡的方法和js中的大同小異,使用的new_tag

html="""
<p><p>
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')    #創建一個新的標籤a
new_tag['href']='#'    #添加屬性
new_tag.string='陳加兵的博客'  #添加文本
print new_tag      
tag.append(new_tag)    #將新添加的標籤寫入到p標籤中
print tag

insert

Tag.insert() 方法與 Tag.append() 方法類似,區別是不會把新元素添加到父節點 .contents 屬性的最後,而是把元素插入到指定的位置.與Python列表總的 .insert() 方法的用法下同:

html="""
<p><p>
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')
new_tag['href']='#'
new_tag.string='陳加兵的博客'
tag.append("歡迎來到")  #這裡向p標籤中插入文本,這個文本在contents下的序號為0
tag.insert(1,new_tag)   #在contents序號為1的位置插入新的標籤,如果這裡修改成0,那麼將會出現a標籤將會出現在歡飲來到的前面
print tag

注意這的1是標籤的內容在contents中的序號,可以用print tag.contents查看當前的內容

insert_before() 和 insert_after()

insert_before() 方法在當前tag或文本節點前插入內容,insert_after() 方法在當前tag或文本節點後插入內容:

soup = BeautifulSoup("<b>stop</b>")
tag = soup.new_tag("i")
tag.string = "Don't"
soup.b.string.insert_before(tag)
soup.b
# <b><i>Don't</i>stop</b>
soup.b.i.insert_after(soup.new_string(" ever "))
soup.b
# <b><i>Don't</i> ever stop</b>
soup.b.contents
# [<i>Don't</i>, u' ever ', u'stop']

clear

clear用來移除當前節點的所有的內容,包括其中的子孫節點和文本內容

html="""
<p><p>
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')
new_tag['href']='#'
new_tag.string='陳加兵的博客'
tag.append("歡迎來到")
tag.insert(1,new_tag)
tag.clear()    #這裡將會移除所有內容
print tag