Python爬虫(十二)_BeautifulSoup4 解析器
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數據。
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標準庫中的HTML解析器，也支持lxml的XML解析器。
Beautiful Soup3目前已經停止開發，推薦現在的項目使用Beautiful Soup。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|使用難道|安裝難度|
|---|---|--|----|
|正則|最快|困難|無(內置)|
|BeautifulSoup|慢|最簡單|簡單|
|lxml|快|簡單|一般|
實例：
首先必須要導入bs4庫
# 07-urllib2_beautipulsoup_prettifyfrom bs4 import BeautifulSouphtml = """ <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 Beautiful Soup 對象 soup = BeautifulSoup(html)#打開本地 HTML 文件的方式來創建對象 #soup = BeautifulSoup(open('index.html'))#格式化輸出 soup 對象的內容 print soup.prettify()- 如果我們在IPython2下執行，會看到這樣一段警告：
- 意思是，如果我們沒有顯示地指定解析器，所以默認使用這個系統的最佳可用HTML解析器("lxml")。如果你在另一個系統中運行這段代碼，或者在不同的虛擬環境中，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, "lxml")
四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構，每個節點都是Python對象，所有對象可以歸納為4種：
- Tag
- NaviganleString
- BeautifulSoup
- Comment
- Tag
1.Tag
Tag通俗點講就是HTM中的一個個標簽，例如：
<head><title>The Dormouse's story</title></head> <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> <p class="title" name="dromouse"><b>The Dormouse's story</b></p>上面的title、head、a、p等等標簽上加上里面包括的內容就是Tag,那么試著使用Beautiful Soup來獲取Tags
#-*- coding:utf-8 -*- #08-urllib2_beautifulsoup_tag.pyfrom bs4 import BeautifulSouphtml = """ <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Beautiful Soup對象 soup = BeautifulSoup(html)print soup.title #<title>The Dormouse's story</title>print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print soup.p #<p class="title" name="dromouse"><b>The Dormouse's story</b></p>print type(soup.p) # <class 'bs4.element.Tag'>我們可以利用 soup 加標簽名輕松地獲取這些標簽的內容，這些對象的類型是bs4.element.Tag。但是注意，它查找的是在所有內容中的第一個符合要求的標簽。如果要查詢所有的標簽，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 #對于其他內部標簽，輸出的值便為標簽本身的名稱print soup.p.attrs #{'class':['title'], 'name':'dromouse'} #在這里，我們把p標簽的所有屬性打印出來，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，傳入屬性的方法，二者是等價的。 soup.a['class'] = 'newClass' print soup.p #可以對這些屬性和內容等等進行修改 # <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>del soup.p['class'] #還可以對這個屬性進行刪除 print soup.p # <p name="dromouse"><b>The Dormouse's story</b></p>?
2. NavigableString
既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用.string即可，例如
print soup.p.string #The Dormouse's storyprint type(soup.p.string)<class 'bs4.element.NavigableString'>?
3. BeautifulSoup
BeautifulSoup對象表示的是一個文檔的內容。大部門時候，可以用它當做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對象時一個特殊類型的NavigableString對象，其輸出的內容不包括注釋符號。
print soup.a # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print soup.a.string #Elsieprint type(soup.a.string) # <class 'bs4.element.Comment'>?
a標簽里的內容實際上是注釋，但是如果我們利用.string來輸出它的內容時，注釋符號已經去掉了。
遍歷文檔樹
1.直接子節點：.contents .children屬性
.content
tag的.content屬性可以將tag的子節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點。
我們打印輸出.children看一下，可以發現他是一個list生成器對象。
結果：
<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 class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p> <p class="story">...</p>2. 所有子孫節點：.descendants屬性
.contents和.children屬性僅包含tag的直接子節點，.descendants屬性可以對所有tag的子孫節點進行遞歸循環，和.children類似，我們也需要遍歷獲取其中的內容。
for child in soup.descendants:print child3. 節點內容：.string屬性
如果tag只有一個NavigableString類型子節點，那么這個tag可以使用.string得到子節點。如果一個tag僅有一個子節點，那么這個tag也可以使用.string，輸出結果與當前唯一子節點的.string結果相同。
通俗點講就是：如果一個標簽里面沒有標簽了，那么.string就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么.string也會返回最里面的內容。例如:
?
搜索文檔樹
1. find_all(name, attrs, recursive, text, **kwargs)
1) name參數
name參數可以查找所有民資為name的tag，字符串對象會自動忽略掉。
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，eautiful Soup會自動查找與字符串完整匹配的內容，下面的例子用于查找文檔中所有的標簽：
?
B.傳正則表達式
如果傳入正則表達式作為參數，Beautiful Soup會通過正則表達式的match()來匹配內容。下面例子中找出所有以b開頭的標簽，這表示<body>和<b>標簽都應該被找到。
?
C.傳列表
如果傳入列表參數，Beautiful Soup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<a>標簽和<b>標簽：
?
2) keyword參數
soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]?
3) text參數
通過text參數可以搜索文檔中的字符串內容，與name參數的可選值一樣，text參數接收參數值，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
- 寫 CSS 時，標簽名不加任何修飾，類名前加.，id名前加#
?
?
?
?
轉載于:https://www.cnblogs.com/moying-wq/p/11570002.html
總結
以上是生活随笔為你收集整理的Python爬虫(十二)_BeautifulSoup4 解析器的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python爬虫(十一)_案例：使用XP
- 下一篇： Python爬虫(十三)_JSON模块与