Python爬虫库-Beautiful Soup的使用

96
msq3
2016.11.28 00:04* 字数 2259
92U58PICXeh_1024.jpg

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库,简单来说,它能将HTML的标签文件解析成树形结构,然后方便地获取到指定标签的对应属性。

如在上一篇文章通过爬虫爬取漫画图片,获取信息纯粹用正则表达式进行处理,这种方式即复杂,代码的可阅读性也低。通过Beautiful Soup库,我们可以将指定的class或id值作为参数,来直接获取到对应标签的相关数据,这样的处理方式简洁明了。

当前最新的 Beautiful Soup 版本为4.4.0,Beautiful Soup 3 当前已停止维护。

Beautiful Soup 4 可用于 Python2.7 和 Python3.0,本文示例使用的Python版本为2.7。

博主使用的是Mac系统,直接通过命令安装库:

sudo easy_install beautifulsoup4

安装完成后,尝试包含库运行:

from bs4 import BeautifulSoup

若没有报错,则说明库已正常安装完成。

<h3>开始</h3>

本文会通过这个网页http://reeoo.com来进行示例讲解,如下图所示

1.jpg

<h4>BeautifulSoup 对象初始化</h4>

将一段文档传入 BeautifulSoup 的构造方法,就能得到一个文档对象。如下代码所示,文档通过请求url获取:

#coding:utf-8

from bs4 import BeautifulSoup
import urllib2

url = 'http://reeoo.com'
request = urllib2.Request(url)
response = urllib2.urlopen(request, timeout=20)

content = response.read()
soup = BeautifulSoup(content, 'html.parser')

request 请求没有做异常处理,这里暂时先忽略。BeautifulSoup 构造方法的第二个参数为文档解析器,若不传入该参数,BeautifulSoup会自行选择最合适的解析器来解析文档,不过会有警告提示。

也可以通过文件句柄来初始化,可先将HTML的源码保存到本地同级目录 reo.html,然后将文件名作为参数:

soup = BeautifulSoup(open('reo.html'))

可以打印 soup,输出内容和HTML文本无二致,此时它为一个复杂的树形结构,每个节点都是Python对象。

Ps. 接下来示例代码中所用到的 soup 都为该soup。

<h4>Tag</h4>

Tag对象与HTML原生文档中的标签相同,可以直接通过对应名字获取

tag = soup.title
print tag

打印结果:

<title>Reeoo - web design inspiration and website gallery</title>

<h4>Name</h4>

通过Tag对象的name属性,可以获取到标签的名称

print tag.name
# title

<h4>Attributes</h4>

一个tag可能包含很多属性,如id、class等,操作tag属性的方式与字典相同。

例如网页中包含缩略图区域的标签 article

...
<article class="box">
    <div id="main">
    <ul id="list">
        <li id="sponsor"><div class="sponsor_tips"></div>
            <script async type="text/javascript" src="//cdn.carbonads.com/carbon.js?zoneid=1696&serve=CVYD42T&placement=reeoocom" id="_carbonads_js"></script>
        </li>
... 

获取它 class 属性的值

tag = soup.article
c = tag['class']

print c     
# [u'box']

也可以直接通过 .attrs 获取所有的属性

tag = soup.article
attrs = tag.attrs

print attrs
# {u'class': [u'box']}

ps. 因为class属于多值属性,所以它的值为数组。

<h4>tag中的字符串</h4>

通过 string 方法获取标签中包含的字符串

tag = soup.title
s = tag.string

print s
# Reeoo - web design inspiration and website gallery

<h3>文档树的遍历</h3>

一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点。Beautiful Soup提供了许多操作和遍历子节点的属性。

<h4>子节点</h4>

通过Tagname 可以获取到对应标签,多次调用这个方法,可以获取到子节点中对应的标签。

如下图:

2.jpg

我们希望获取到 article 标签中的 li

tag = soup.article.div.ul.li
print tag

打印结果:

<li id="sponsor"><div class="sponsor_tips"></div>
<script async="" id="_carbonads_js" src="//cdn.carbonads.com/carbon.js?zoneid=1696&serve=CVYD42T&placement=reeoocom" type="text/javascript"></script>
</li>

也可以把中间的一些节点省略,结果也一致

tag = soup.article.li

通过 . 属性只能获取到第一个tag,若想获取到所有的 li 标签,可以通过 find_all() 方法

ls = soup.article.div.ul.find_all('li')

获取到的是包含所有li标签的列表。

tag的 .contents 属性可以将tag的子节点以列表的方式输出:

tag = soup.article.div.ul
contents = tag.contents

打印 contents 可以看到列表中不仅包含了 li 标签内容,还包括了换行符 '\n'

过tag的 .children 生成器,可以对tag的子节点进行循环

tag = soup.article.div.ul
children = tag.children
print children

for child in children:
    print child

可以看到 children 的类型为 <listiterator object at 0x109cb1850>

.contents.children 属性仅包含tag的直接子节点,若要遍历子节点的子节点,可以通过 .descendants 属性,方法与前两者类似,这里不列出来了。

<h4>父节点</h4>

通过 .parent 属性来获取某个元素的父节点,article 的 父节点为 body。

tag = soup.article
print tag.parent.name
# body

或者通过 .parents 属性遍历所有的父辈节点。

tag = soup.article
for p in tag.parents:
    print p.name

<h4>兄弟节点</h4>

.next_sibling.previous_sibling 属性用来插叙兄弟节点,使用方式与其他的节点类似。

<h3>文档树的搜索</h3>

对树形结构的文档进行特定的搜索是爬虫抓取过程中最常用的操作。

<h4>find_all()</h4>

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

<h5>name 参数</h5>

查找所有名字为 name 的tag

soup.find_all('title')
# [<title>Reeoo - web design inspiration and website gallery</title>]

soup.find_all('footer')
# [<footer id="footer">\n<div class="box">\n<p> ... </div>\n</footer>]

<h5>keyword 参数</h5>

如果指定参数的名字不是内置的参数名(name , attrs , recursive , string),则将该参数当成tag的属性进行搜索,不指定tag的话则默认为对所有tag进行搜索。

如,搜索所有 id 值为 footer 的标签

soup.find_all(id='footer')
# [<footer id="footer">\n<div class="box">\n<p> ... </div>\n</footer>]

加上标签的参数

soup.find_all('footer', id='footer')
# [<footer id="footer">\n<div class="box">\n<p> ... </div>\n</footer>]

# 没有id值为'footer'的div标签,所以结果返回为空
soup.find_all('div', id='footer')
# []

获取所有缩略图的 div 标签,缩略图用 classthumb 标记

soup.find_all('div', class_='thumb')

这里需要注意一点,因为 class 为Python的保留关键字,所以作为参数时加上了下划线,为“class_”。

指定名字的属性参数值可以包括:字符串正则表达式列表True/False

<h5>True/False</h5>

是否存在指定的属性。

搜索所有带有 target 属性的标签

soup.find_all(target=True)

搜索所有不带 target 属性的标签(仔细观察会发现,搜索结果还是会有带 target 的标签,那是不带 target 标签的子标签,这里需要注意一下。)

soup.find_all(target=False)

可以指定多个参数作为过滤条件,例如页面缩略图部分的标签如下所示:

...

<li>
    <div class="thumb">
        <a href="http://reeoo.com/aim-creative-studios">![AIM Creative Studios](http://upload-images.jianshu.io/upload_images/1346917-f6281ffe1a8f0b18.gif?imageMogr2/auto-orient/strip)</a>
    </div>
    <div class="title">
        <a href="http://reeoo.com/aim-creative-studios">AIM Creative Studios</a>
    </div>
</li>

...

搜索 src 属性中包含 reeoo 字符串,并且 classlazy 的标签:

soup.find_all(src=re.compile("reeoo.com"), class_='lazy')

搜索结果即为所有的缩略图 img 标签。

有些属性不能作为参数使用,如 data-**** 属性。在上面的例子中,data-original 不能作为参数使用,运行起来会报错,SyntaxError: keyword can't be an expression*。

<h5>attrs 参数</h5>

定义一个字典参数来搜索对应属性的tag,一定程度上能解决上面提到的不能将某些属性作为参数的问题。

例如,搜索包含 data-original 属性的标签

print soup.find_all(attrs={'data-original': True})

搜索 data-original 属性中包含 reeoo.com 字符串的标签

soup.find_all(attrs={'data-original': re.compile("reeoo.com")})

搜索 data-original 属性为指定值的标签

soup.find_all(attrs={'data-original': 'http://media.reeoo.com/Bersi Serlini Franciacorta.png!page'})

<h5>string 参数</h5>

name 参数类似,针对文档中的字符串内容。

搜索包含 Reeoo 字符串的标签:

soup.find_all(string=re.compile("Reeoo"))

打印搜索结果可看到包含3个元素,分别是对应标签里的内容,具体见下图所示

3.jpg
4.jpg
5.jpg

<h5>limit 参数</h5>

find_all() 返回的是整个文档的搜索结果,如果文档内容较多则搜索过程耗时过长,加上 limit 限制,当结果到达 limit 值时停止搜索并返回结果。

搜索 classthumbdiv 标签,只搜索3个

soup.find_all('div', class_='thumb', limit=3)

打印结果为一个包含3个元素的列表,实际满足结果的标签在文档里不止3个。

<h5>recursive 参数</h5>

find_all() 会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False

<h4>find()</h4>

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

find() 方法和 find_all() 方法的参数使用基本一致,只是 find() 的搜索方法只会返回第一个满足要求的结果,等价于 find_all() 方法并将limit设置为1。

soup.find_all('div', class_='thumb', limit=1)
soup.find('div', class_='thumb')

搜索结果一致,唯一的区别是 find_all() 返回的是一个数组,find() 返回的是一个元素。

当没有搜索到满足条件的标签时,find() 返回 None, 而 find_all() 返回一个空的列表。

<h4>CSS选择器</h4>

TagBeautifulSoup 对象通过 select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到tag。

语义和CSS一致,搜索 article 标签下的 ul 标签中的 li 标签

print soup.select('article ul li')

通过类名查找,两行代码的结果一致,搜索 classthumb 的标签

soup.select('.thumb')
soup.select('[class~=thumb]')

通过id查找,搜索 idsponsor 的标签

soup.select('#sponsor')

通过是否存在某个属性来查找,搜索具有 id 属性的 li 标签

soup.select('li[id]')

通过属性的值来查找查找,搜索 idsponsorli 标签

soup.select('li[id="sponsor"]')

<h3>其他</h3>

其他的搜索方法还有:

find_parents()find_parent()

find_next_siblings()find_next_sibling()

find_previous_siblings()find_previous_sibling()

...

参数的作用和 find_all()find() 差别不大,这里就不再列举使用方式了。这两个方法基本已经能满足绝大部分的查询需求。

还有一些方法涉及文档树的修改。对于爬虫来说大部分工作只是检索页面的信息,很少需要对页面源码做改动,所以这部分的内容也不再列举。

具体详细信息可直接参考Beautiful Soup库的官方说明文档

【完】。 :)

iOS