Python爬虫入门BeautifulSoup模块

简介: Python爬虫入门BeautifulSoup模块

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,之后遍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。


安装:


pip install BeautifulSoup4

导入:


from bs4 import BeautifulSoup

beautifulsoup简单示例:

    soup = BeautifulSoup(text, features="html.parser")
    # 返回第一个对象
    v1 = soup.find("div")
    v1 = soup.find(id="i1")
    v1 = soup.find("div", id="i1") # 组合使用
    # 返回对象列表
    v2 = soup.find_all("div")
    v2 = soup.find_all(id="i1")
    v2 = soup.find_all("div", id="i1") # 组合使用
    tag.text # 获取文本
    tag.attrs("href") # 获取属性

代码示例

 

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')

1、 name,标签名称

tag = soup.find('a')
    name = tag.name # 获取
    print(name)
    tag.name = 'span' # 设置
    print(soup)

2、 attrs,标签属性

tag = soup.find('a')
    attrs = tag.attrs    # 获取
    print(attrs)
    tag.attrs = {'ik':123} # 设置
    tag.attrs['id'] = 'value' # 设置
    print(soup)

3、 children,所有子标签

body = soup.find('body')
    v = body.children

4、 descendants,所有子子孙孙标签

body = soup.find('body')
    v = body.descendants

5、 clear,将标签的所有子标签全部清空(保留标签名)

tag = soup.find('body')
    tag.clear()
    print(soup)

6、decompose,递归的删除所有的标签

body = soup.find('body')
    body.decompose()
    print(soup)

7、extract,递归的删除所有的标签,并获取删除的标签


 

body = soup.find('body')
    v = body.extract()
    print(soup)

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

body = soup.find('body')
    v = body.decode()
    v = body.decode_contents()
    print(v)

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

body = soup.find('body')
    v = body.encode()
    v = body.encode_contents()
    print(v)

10、find,获取匹配的第一个标签

tag = soup.find('a')
    print(tag)
    tag = soup.find(name='a', attrs={'class': 'sister'},
        recursive=True, text='Lacie')
    tag = soup.find(name='a', class_='sister',
        recursive=True, text='Lacie')
    print(tag)

11、find_all,获取匹配的所有标签


 

tags = soup.find_all('a')
    print(tags)
    tags = soup.find_all('a',limit=1)
    print(tags)
    tags = soup.find_all(name='a', attrs={'class': 'sister'},
        recursive=True, text='Lacie')
    tags = soup.find_all(name='a', class_='sister',
        recursive=True, text='Lacie')
    print(tags)
    ####### 列表 #######
    v = soup.find_all(name=['a','div'])
    print(v)
    v = soup.find_all(class_=['sister0', 'sister'])
    print(v)
    v = soup.find_all(text=['Tillie'])
    print(v, type(v[0]))
    v = soup.find_all(id=['link1','link2'])
    print(v)
    v = soup.find_all(href=['link1','link2'])
    print(v)
    ####### 正则 #######
    import re
    rep = re.compile('p')
    rep = re.compile('^p') # 所有以p开头
    v = soup.find_all(name=rep)
    print(v)
    rep = re.compile('sister.*')
    v = soup.find_all(class_=rep)
    print(v)
    rep = re.compile('http://www.oldboy.com/static/.*')
    v = soup.find_all(href=rep)
    print(v)
    ####### 方法筛选 #######
    def func(tag):
        return tag.has_attr('class') and tag.has_attr('id')
    v = soup.find_all(name=func)
    print(v)
    ## get,获取标签属性
    tag = soup.find('a')
    v = tag.get('id')
    print(v)

12、has_attr,检查标签是否具有该属性


tag = soup.find('a')
    v = tag.has_attr('id')
    print(v)

13、get_text,获取标签内部文本内容

tag = soup.find('a')
    v = tag.get_text()
    print(v)

14、index,检查标签在某标签中的索引位置


tag = soup.find('body')
    v = tag.index(tag.find('div'))
    print(v)
    tag = soup.find('body')
    for i, v in enumerate(tag):
        print(i,v)

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'
    tag = soup.find('br')
    v = tag.is_empty_element
    print(v)

16、 当前的关联标签

tag.next
    tag.next_element
    tag.next_elements
    tag.next_sibling
    tag.next_siblings
    tag.previous
    tag.previous_element
    tag.previous_elements
    tag.previous_sibling
    tag.previous_siblings
    tag.parent
    tag.parents
    tag.children
    tag.descendant

17、查找某标签的关联标签

 

tag.find_next(...)
    tag.find_all_next(...)
    tag.find_next_sibling(...)
    tag.find_next_siblings(...)
    tag.find_previous(...)
    tag.find_all_previous(...)
    tag.find_previous_sibling(...)
    tag.find_previous_siblings(...)
    tag.find_parent(...)
    tag.find_parents(...)
    # 参数同find_all

18、 select,select_one, CSS选择器

soup.select("title")
    soup.select("p nth-of-type(3)")
    soup.select("body a")
    soup.select("html head title")
    tag = soup.select("span,a")
    soup.select("head > title")
    soup.select("p > a")
    soup.select("p > a:nth-of-type(2)")
    soup.select("p > #link1")
    soup.select("body > a")
    soup.select("#link1 ~ .sister")
    soup.select("#link1 + .sister")
    soup.select(".sister")
    soup.select("[class~=sister]")
    soup.select("#link1")
    soup.select("a#link2")
    soup.select('a[href]')
    soup.select('a[href="http://example.com/elsie"]')
    soup.select('a[href^="http://example.com/"]')
    soup.select('a[href$="tillie"]')
    soup.select('a[href*=".com/el"]')
    from bs4.element import Tag
    def default_candidate_generator(tag):
        for child in tag.descendants:
            if not isinstance(child, Tag):
                continue
            if not child.has_attr('href'):
                continue
            yield child
    tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
    print(type(tags), tags)
    from bs4.element import Tag
    def default_candidate_generator(tag):
        for child in tag.descendants:
            if not isinstance(child, Tag):
                continue
            if not child.has_attr('href'):
                continue
            yield child
    tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
    print(type(tags), tags)

19、 标签的内容

tag = soup.find('span')
    print(tag.string)          # 获取
    tag.string = 'new content' # 设置
    print(soup)
    tag = soup.find('body')
    print(tag.string)
    tag.string = 'xxx'
    print(soup)
    tag = soup.find('body')
    v = tag.stripped_strings  # 递归内部获取所有标签的文本
    print(v)

20、append在当前标签内部追加一个标签

tag = soup.find('body')
    tag.append(soup.find('a'))
    print(soup)
    from bs4.element import Tag
    obj = Tag(name='i',attrs={'id': 'it'})
    obj.string = '我是一个新来的'
    tag = soup.find('body')
    tag.append(obj)
    print(soup)

21、insert在当前标签内部指定位置插入一个标签


 

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

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


 

from bs4.element import Tag
    obj = Tag(name='i', attrs={'id': 'it'})
    obj.string = '我是一个新来的'
    tag = soup.find('body')
    tag.insert_before(obj)
    tag.insert_after(obj)
    print(soup)

23、 replace_with 在当前标签替换为指定标签

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

24、 创建标签之间的关系

tag = soup.find('div')
    a = soup.find('a')
    tag.setup(previous_sibling=a)
    print(tag.previous_sibling)

25、wrap,将指定标签把当前标签包裹起来


 

from bs4.element import Tag
    obj1 = Tag(name='div', attrs={'id': 'it'})
    obj1.string = '我是一个新来的'
    tag = soup.find('a')
    v = tag.wrap(obj1)
    print(soup)
    tag = soup.find('a')
    v = tag.wrap(soup.find('p'))
    print(soup)

26、 unwrap,去掉当前标签,将保留其包裹的标签


 

tag = soup.find('a')
    v = tag.unwrap()
    print(soup)

参考:

相关文章
|
1天前
|
数据采集 存储 JSON
Python爬虫面试:requests、BeautifulSoup与Scrapy详解
【4月更文挑战第19天】本文聚焦于Python爬虫面试中的核心库——requests、BeautifulSoup和Scrapy。讲解了它们的常见问题、易错点及应对策略。对于requests,强调了异常处理、代理设置和请求重试;BeautifulSoup部分提到选择器使用、动态内容处理和解析效率优化;而Scrapy则关注项目架构、数据存储和分布式爬虫。通过实例代码,帮助读者深化理解并提升面试表现。
8 0
|
3天前
|
数据挖掘 API 数据安全/隐私保护
python请求模块requests如何添加代理ip
python请求模块requests如何添加代理ip
|
4天前
|
数据采集 JavaScript 前端开发
使用Python打造爬虫程序之破茧而出:Python爬虫遭遇反爬虫机制及应对策略
【4月更文挑战第19天】本文探讨了Python爬虫应对反爬虫机制的策略。常见的反爬虫机制包括User-Agent检测、IP限制、动态加载内容、验证码验证和Cookie跟踪。应对策略包括设置合理User-Agent、使用代理IP、处理动态加载内容、验证码识别及维护Cookie。此外,还提到高级策略如降低请求频率、模拟人类行为、分布式爬虫和学习网站规则。开发者需不断学习新策略,同时遵守规则和法律法规,确保爬虫的稳定性和合法性。
|
4天前
|
XML 数据采集 自然语言处理
请解释Python中的BeautifulSoup库以及它的主要用途。
BeautifulSoup是Python的HTML/XML解析库,用于数据提取和网页抓取。它提供树形结构解析文档,支持查找、访问和修改元素。主要用途包括网页抓取、数据清洗、自动化测试、内容生成、网站开发及与其他库集成,如Requests和Scrapy。适用于各种数据处理场景。
8 1
|
5天前
|
测试技术 Python
Python 有趣的模块之pynupt——通过pynput控制鼠标和键盘
Python 有趣的模块之pynupt——通过pynput控制鼠标和键盘
|
5天前
|
机器学习/深度学习 数据可视化 数据挖掘
《Python 简易速速上手小册》第9章:数据科学和机器学习入门(2024 最新版)
《Python 简易速速上手小册》第9章:数据科学和机器学习入门(2024 最新版)
16 1
|
5天前
|
Serverless 开发者 Python
《Python 简易速速上手小册》第3章:Python 的函数和模块(2024 最新版)
《Python 简易速速上手小册》第3章:Python 的函数和模块(2024 最新版)
37 1
|
5天前
|
人工智能 数据挖掘 程序员
《Python 简易速速上手小册》第1章:Python 编程入门(2024 最新版)
《Python 简易速速上手小册》第1章:Python 编程入门(2024 最新版)
34 0
|
6天前
|
机器学习/深度学习 数据采集 算法
scikit-learn入门指南:从基础到实践
【4月更文挑战第17天】这篇指南介绍了scikit-learn,一个Python数据分析和机器学习的重要库。内容涵盖安装、数据加载与预处理、模型训练(如KNN分类器)、评估、调参优化及高级应用,如降维和聚类。通过实例展示了scikit-learn在分类任务中的使用,强调其在数据科学中的重要性。要深入了解,可参考官方文档和实践案例。
|
7天前
|
Python
python学习-函数模块,数据结构,字符串和列表(下)
python学习-函数模块,数据结构,字符串和列表
45 0