當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

非结构化数据与结构化数据提取---- BeautifulSoup4 解析器

發(fā)布時間：2025/3/8 编程问答 15 豆豆

生活随笔收集整理的這篇文章主要介紹了非结构化数据与结构化数据提取---- BeautifulSoup4 解析器小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

CSS 選擇器：BeautifulSoup4

和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數(shù)據(jù)。

lxml 只會局部遍歷，而Beautiful Soup 是基于HTML DOM的，會載入整個文檔，解析整個DOM樹，因此時間和內(nèi)存開銷都會大很多，所以性能要低于lxml。

BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支持CSS選擇器、Python標(biāo)準(zhǔn)庫中的HTML解析器，也支持 lxml 的 XML解析器。

Beautiful Soup 3 目前已經(jīng)停止開發(fā)，推薦現(xiàn)在的項目使用Beautiful Soup 4。使用 pip 安裝即可：pip install beautifulsoup4

官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

抓取工具速度使用難度安裝難度

正則	最快	困難	無（內(nèi)置）
BeautifulSoup	慢	最簡單	簡單
lxml	快	簡單	一般

示例：

首先必須要導(dǎo)入 bs4 庫

# beautifulsoup4_test.pyfrom bs4 import BeautifulSouphtml = """ <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"></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. ... """#創(chuàng)建 Beautiful Soup 對象 soup = BeautifulSoup(html) #打開本地 HTML 文件的方式來創(chuàng)建對象 #soup = BeautifulSoup(open('index.html')) #格式化輸出 soup 對象的內(nèi)容 print soup.prettify()

運行結(jié)果：

如果我們在 IPython2 下執(zhí)行，會看到這樣一段警告：?

?
意思是，如果我們沒有顯式地指定解析器，所以默認使用這個系統(tǒng)的最佳可用HTML解析器(“l(fā)xml”)。如果你在另一個系統(tǒng)中運行這段代碼，或者在不同的虛擬環(huán)境中，使用不同的解析器造成行為不同。
但是我們可以通過soup = BeautifulSoup(html,“l(fā)xml”)方式指定lxml解析器。

四大對象種類

Beautiful Soup將復(fù)雜HTML文檔轉(zhuǎn)換成一個復(fù)雜的樹形結(jié)構(gòu),每個節(jié)點都是Python對象,所有對象可以歸納為4種:

Tag
NavigableString
BeautifulSoup
Comment

1. Tag

Tag 通俗點講就是 HTML 中的一個個標(biāo)簽，例如：

<head><title>The Dormouse's story</title></head> <a class="sister" href="http://example.com/elsie" id="link1"></a> The Dormouse's story

上面的?title?head?a?p等等 HTML 標(biāo)簽加上里面包括的內(nèi)容就是 Tag，那么試著使用 Beautiful Soup 來獲取 Tags:

from bs4 import BeautifulSouphtml = """ <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"></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. ... """#創(chuàng)建 Beautiful Soup 對象 soup = BeautifulSoup(html)print soup.title # <title>The Dormouse's story</title> print soup.head # <head><title>The Dormouse's story</title></head> print soup.a # <a class="sister" href="http://example.com/elsie" id="link1"></a> print soup.p # The Dormouse's story print type(soup.p) # <class 'bs4.element.Tag'>

我們可以利用 soup 加標(biāo)簽名輕松地獲取這些標(biāo)簽的內(nèi)容，這些對象的類型是bs4.element.Tag。但是注意，它查找的是在所有內(nèi)容中的第一個符合要求的標(biāo)簽。如果要查詢所有的標(biāo)簽，后面會進行介紹。

對于 Tag，它有兩個重要的屬性，是 name 和 attrs

print soup.name # [document] #soup 對象本身比較特殊，它的 name 即為 [document]print soup.head.name # head #對于其他內(nèi)部標(biāo)簽，輸出的值便為標(biāo)簽本身的名稱print soup.p.attrs # {'class': ['title'], 'name': 'dromouse'} # 在這里，我們把 p 標(biāo)簽的所有屬性打印輸出了出來，得到的類型是一個字典。 print soup.p['class'] # soup.p.get('class') # ['title'] #還可以利用get方法，傳入屬性的名稱，二者是等價的 soup.p['class'] = "newClass" print soup.p # 可以對這些屬性和內(nèi)容等等進行修改 # The Dormouse's story del soup.p['class'] # 還可以對這個屬性進行刪除 print soup.p # The Dormouse's story

2. NavigableString

既然我們已經(jīng)得到了標(biāo)簽的內(nèi)容，那么問題來了，我們要想獲取標(biāo)簽內(nèi)部的文字怎么辦呢？很簡單，用 .string 即可，例如

print soup.p.string # The Dormouse's storyprint type(soup.p.string) # In [13]: <class 'bs4.element.NavigableString'>

3. BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的內(nèi)容。大部分時候,可以把它當(dāng)作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下

print type(soup.name) # <type 'unicode'>print soup.name # [document]print soup.attrs # 文檔本身的屬性為空 # {}

4. Comment

Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的內(nèi)容不包括注釋符號。

print soup.a # <a class="sister" href="http://example.com/elsie" id="link1"></a>print soup.a.string # Elsie print type(soup.a.string) # <class 'bs4.element.Comment'>

a 標(biāo)簽里的內(nèi)容實際上是注釋，但是如果我們利用 .string 來輸出它的內(nèi)容時，注釋符號已經(jīng)去掉了。

遍歷文檔樹

1. 直接子節(jié)點：.contents?.children?屬性

.content

tag 的 .content 屬性可以將tag的子節(jié)點以列表的方式輸出

print soup.head.contents #[<title>The Dormouse's story</title>]

輸出方式為列表，我們可以用列表索引來獲取它的某一個元素

print soup.head.contents[0] #<title>The Dormouse's story</title>

.children

它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節(jié)點。

我們打印輸出 .children 看一下，可以發(fā)現(xiàn)它是一個 list 生成器對象

print soup.head.children #<listiterator object at 0x7f71457f5710>for child in soup.body.children:print child

結(jié)果:

The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. ...

2. 所有子孫節(jié)點:?.descendants?屬性

.contents 和 .children 屬性僅包含tag的直接子節(jié)點，.descendants 屬性可以對所有tag的子孫節(jié)點進行遞歸循環(huán)，和 children類似，我們也需要遍歷獲取其中的內(nèi)容。

for child in soup.descendants:print child

運行結(jié)果：

<html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. ... </body></html> <head><title>The Dormouse's story</title></head> <title>The Dormouse's story</title> The Dormouse's story<body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. ... </body>The Dormouse's story The Dormouse's story The Dormouse's storyOnce upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1"></a>Elsie ,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> Lacieand<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> Tillie ; and they lived at the bottom of a well.... ...

3. 節(jié)點內(nèi)容:?.string?屬性

如果tag只有一個 NavigableString 類型子節(jié)點,那么這個tag可以使用 .string 得到子節(jié)點。如果一個tag僅有一個子節(jié)點,那么這個tag也可以使用 .string 方法,輸出結(jié)果與當(dāng)前唯一子節(jié)點的 .string 結(jié)果相同。

通俗點說就是：如果一個標(biāo)簽里面沒有標(biāo)簽了，那么 .string 就會返回標(biāo)簽里面的內(nèi)容。如果標(biāo)簽里面只有唯一的一個標(biāo)簽了，那么 .string 也會返回最里面的內(nèi)容。例如：

print soup.head.string #The Dormouse's story print soup.title.string #The Dormouse's story

搜索文檔樹

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

1）name 參數(shù)

name 參數(shù)可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉

A.傳字符串

最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數(shù),Beautiful Soup會查找與字符串完整匹配的內(nèi)容,下面的例子用于查找文檔中所有的標(biāo)簽:

soup.find_all('b') # [The Dormouse's story]print soup.find_all('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>]

B.傳正則表達式

如果傳入正則表達式作為參數(shù),Beautiful Soup會通過正則表達式的 match() 來匹配內(nèi)容.下面例子中找出所有以b開頭的標(biāo)簽,這表示<body>和標(biāo)簽都應(yīng)該被找到

import re for tag in soup.find_all(re.compile("^b")):print(tag.name) # body # b

C.傳列表

如果傳入列表參數(shù),Beautiful Soup會將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有<a>標(biāo)簽和標(biāo)簽:

soup.find_all(["a", "b"]) # [The Dormouse's story, # <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>]

2）keyword 參數(shù)

soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

3）text 參數(shù)

通過 text 參數(shù)可以搜搜文檔中的字符串內(nèi)容，與 name 參數(shù)的可選值一樣, text 參數(shù)接受字符串 , 正則表達式 , 列表

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"]

CSS選擇器

這就是另一種與 find_all 方法有異曲同工之妙的查找方法.

寫 CSS 時，標(biāo)簽名不加任何修飾，類名前加.，id名前加#
在這里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

（1）通過標(biāo)簽名查找

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') #[The Dormouse's story]

（2）通過類名查找

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>]

（3）通過 id 名查找

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

（4）組合查找

組合查找即和寫 class 文件時，標(biāo)簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標(biāo)簽中，id 等于 link1的內(nèi)容，二者需要用空格分開

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

直接子標(biāo)簽查找，則使用?>?分隔

print soup.select("head > title") #[<title>The Dormouse's story</title>]

（5）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(biāo)簽屬于同一節(jié)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"></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>]

同樣，屬性仍然可以與上述查找方式組合，不在同一節(jié)點的空格隔開，同一節(jié)點的不加空格

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

(6) 獲取內(nèi)容

以上的 select 方法返回的結(jié)果都是列表形式，可以遍歷形式輸出，然后用 get_text() 方法來獲取它的內(nèi)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()

轉(zhuǎn)載于:https://www.cnblogs.com/joshuazc/p/9790774.html

總結(jié)

以上是生活随笔為你收集整理的非结构化数据与结构化数据提取---- BeautifulSoup4 解析器的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇： Spectral Bounds for
下一篇： Java 使用 POI 操作 Excel