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 是基於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,所以性能要低於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 Soup 3 目前已經停止開發,推薦現在的項目使用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
![python爬蟲CSS 選擇器-BeautifulSoup4](http://p2.ttnews.xyz/loading.gif)
示例:導入 bs4 庫
![python爬蟲CSS 選擇器-BeautifulSoup4](http://p2.ttnews.xyz/loading.gif)
運行結果:
- 如果我們在 IPython2 下執行,會看到這樣一段警告:
- 意思是,如果我們沒有顯式地指定解析器,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”)方式指定lxml解析器。
四大對象種類
Beautiful Soup將複雜HTML文檔轉換成一個複雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:
- Tag
- NavigableString
- BeautifulSoup
- Comment
1. Tag
Tag 通俗點講就是 HTML 中的一個個標籤,例如:
上面的 title head a p等等 HTML 標籤加上裡面包括的內容就是 Tag,那麼試著使用 Beautiful Soup 來獲取 Tags:
我們可以利用 soup 加標籤名輕鬆地獲取這些標籤的內容,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籤。如果要查詢所有的標籤,後面會進行介紹。對於 Tag,它有兩個重要的屬性,是 name 和 attrs
2. NavigableString
既然我們已經得到了標籤的內容,那麼問題來了,我們要想獲取標籤內部的文字怎麼辦呢?很簡單,用 .string 即可,例如
3. BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 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
4. Comment
Comment 對象是一個特殊類型的 NavigableString 對象,其輸出的內容不包括註釋符號。
a 標籤裡的內容實際上是註釋,但是如果我們利用 .string 來輸出它的內容時,註釋符號已經去掉了。
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
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
.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,可以發現它是一個 list 生成器對象
運行結果:
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。
3. 節點內容: .string 屬性
如果tag只有一個 NavigableString 類型子節點,那麼這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那麼這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。
通俗點說就是:如果一個標籤裡面沒有標籤了,那麼 .string 就會返回標籤裡面的內容。如果標籤裡面只有唯一的一個標籤了,那麼 .string 也會返回最裡面的內容。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,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用於查找文檔中所有的標籤:
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開頭的標籤,這表示
和標籤都應該被找到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
2)keyword 參數
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
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,標籤名不加任何修飾,類名前加.,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
(1)通過標籤名查找
(2)通過類名查找
(3)通過 id 名查找
(4)組合查找
組合查找即和寫 class 文件時,標籤名與類名、id名進行的組合原理是一樣的,例如查找 p 標籤中,id 等於 link1的內容,二者需要用空格分開
直接子標籤查找,則使用 > 分隔
(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,注意屬性和標籤屬於同一節點,所以中間不能加空格,否則會無法匹配到。
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
(6) 獲取內容
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。
機器學習視頻下載:關注發私信(機器學習)可獲取下載鏈接
閱讀更多 互聯網奇點 的文章