python爬虫开发之Beautiful Soup模块从安装到详细使用方法与实例
python爬虫模块BeautifulSoup简介
简单来说,BeautifulSoup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:BeautifulSoup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。BeautifulSoup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,BeautifulSoup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。BeautifulSoup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
python爬虫模块BeautifulSoup安装
BeautifulSoup3目前已经停止开发,推荐在现在的项目中使用BeautifulSoup4,不过它已经被移植到BS4了,也就是说导入时我们需要importbs4。所以这里我们用的版本是BeautifulSoup4.3.2(简称BS4),另外据说BS4对Python3的支持不够好,不过我用的是Python2.7.7,如果有小伙伴用的是Python3版本,可以考虑下载BS3版本。可以利用pip或者easy_install来安装,以下两种方法均可
easy_installbeautifulsoup4
pipinstallbeautifulsoup4
如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。下载完成之后解压,运行下面的命令即可完成安装
sudopythonsetup.pyinstall
然后需要安装lxml
easy_installlxml
pipinstalllxml
另一个可供选择的解析器是纯Python实现的html5lib,html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
easy_installhtml5lib
pipinstallhtml5lib
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,如果我们不安装它,则Python会使用Python默认的解析器,lxml解析器更加强大,速度更快,推荐安装。
解析器 | 使用方法 | 优势 | 劣势 |
Python标准库 | BeautifulSoup(markup,“html.parser”) | Python的内置标准库执行速度适中文档容错能力强 | Python2.7.3or3.2.2)前的版本中文档容错能力差 |
lxmlHTML解析器 | BeautifulSoup(markup,“lxml”) | 速度快文档容错能力强 | 需要安装C语言库 |
lxmlXML解析器 | BeautifulSoup(markup,[“lxml”,“xml”])BeautifulSoup(markup,“xml”) | 速度快唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup,“html5lib”) | 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢 |
创建BeautifulSoup对象
首先必须要导入bs4库
frombs4importBeautifulSoup
我们创建一个字符串,后面的例子我们便会用它来演示
html="""TheDormouse'sstory TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. ... """
创建beautifulsoup对象
soup=BeautifulSoup(html)
另外,我们还可以用本地HTML文件来创建对象,例如
soup=BeautifulSoup(open('index.html'))
上面这句代码便是将本地index.html文件打开,用它来创建soup对象。下面我们来打印一下soup对象的内容,格式化输出
printsoup.prettify()
指定编码:当html为其他类型编码(非utf-8和ascii),比如GB2312的话,则需要指定相应的字符编码,BeautifulSoup才能正确解析。
htmlCharset="GB2312"
soup=BeautifulSoup(respHtml,fromEncoding=htmlCharset)
#!/usr/bin/python #-*-coding:UTF-8-*- frombs4importBeautifulSoup importre #待分析字符串 html_doc="""TheDormouse'sstory TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere Elsie, Lacie and Tillie; andtheylivedatthebottomofawell. ... """ #html字符串创建BeautifulSoup对象 soup=BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8') #输出第一个title标签 printsoup.title #输出第一个title标签的标签名称 printsoup.title.name #输出第一个title标签的包含内容 printsoup.title.string #输出第一个title标签的父标签的标签名称 printsoup.title.parent.name #输出第一个p标签 printsoup.p #输出第一个p标签的class属性内容 printsoup.p['class'] #输出第一个a标签的href属性内容 printsoup.a['href'] ''' soup的属性可以被添加,删除或修改.再说一次,soup的属性操作方法与字典一样 ''' #修改第一个a标签的href属性为http://www.baidu.com/ soup.a['href']='http://www.baidu.com/' #给第一个a标签添加name属性 soup.a['name']=u'百度' #删除第一个a标签的class属性为 delsoup.a['class'] ##输出第一个p标签的所有子节点 printsoup.p.contents #输出第一个a标签 printsoup.a #输出所有的a标签,以列表形式显示 printsoup.find_all('a') #输出第一个id属性等于link3的a标签 printsoup.find(id="link3") #获取所有文字内容 print(soup.get_text()) #输出第一个a标签的所有属性信息 printsoup.a.attrs forlinkinsoup.find_all('a'): #获取link的href属性内容 print(link.get('href')) #对soup.p的子节点进行循环输出 forchildinsoup.p.children: print(child) #正则匹配,名字中带有b的标签 fortaginsoup.find_all(re.compile("b")): print(tag.name)
importbs4#导入BeautifulSoup库Soup=BeautifulSoup(html)#其中html可以是字符串,也可以是句柄需要注意的是,BeautifulSoup会自动检测传入文件的编码格式,然后转化为Unicode格式通过如上两句话,BS自动把文档生成为如上图中的解析树。
BeautifulSoup四大对象种类
BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
- Tag
- NavigableString
- BeautifulSoup
- Comment
(1)Tag
Tag是什么?通俗点讲就是HTML中的一个个标签,例如
TheDormouse'sstory
jb51
上面的titlea等等HTML标签加上里面包括的内容就是Tag,下面我们来感受一下怎样用BeautifulSoup来方便地获取Tags下面每一段代码中注释部分即为运行结果
printsoup.title
#TheDormouse'sstory
printsoup.head
#TheDormouse'sstory
printsoup.a
#
printsoup.p
#TheDormouse'sstory
利用soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后面进行介绍。soup.title得到的是title标签,soup.p得到的是文档中的第一个p标签,要想得到所有标签,得用find_all函数。find_all函数返回的是一个序列,可以对它进行循环,依次得到想到的东西.。我们可以验证一下这些对象的类型
printtype(soup.a)
#
对于Tag,它有两个重要的属性,是name和attrs
name
printsoup.name
printsoup.head.name
#[document]
#head
soup对象本身比较特殊,它的name即为[document],对于其他内部标签,输出的值便为标签本身的名称。attrs
printsoup.p.attrs
#{'class':['title'],'name':'dromouse'}
在这里,我们把p标签的所有属性打印输出了出来,得到的类型是一个字典。如果我们想要单独获取某个属性,可以这样,例如我们获取它的class叫什么
printsoup.p['class']
#['title']
还可以这样,利用get方法,传入属性的名称,二者是等价的
printsoup.p.get('class')
#['title']
我们可以对这些属性和内容等等进行修改,例如
soup.p['class']="newClass"
printsoup.p
#TheDormouse'sstory
还可以对这个属性进行删除,例如
delsoup.p['class']
printsoup.p
#TheDormouse'sstory
不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档
head=soup.find('head') #head=soup.head #head=soup.contents[0].contents[0] printhead html=soup.contents[0]#... head=html.contents[0]#... body=html.contents[1]#...
可以通过Tag.attrs访问,返回字典结构的属性。或者Tag.name这样访问特定属性值,如果是多值属性则以列表形式返回。
(2)NavigableString
既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用.string即可,例如
printsoup.p.string
#TheDormouse'sstory
这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个NavigableString,翻译过来叫可以遍历的字符串,不过我们最好还是称它英文名字吧。来检查一下它的类型
printtype(soup.p.string)
#
(3)BeautifulSoup
BeautifulSoup对象表示的是一个文档的全部内容.大部分时候,可以把它当作Tag对象,是一个特殊的Tag,我们可以分别获取它的类型,名称,以及属性来感受一下
printtype(soup.name)
#
printsoup.name
#[document]
printsoup.attrs
#{}空字典
(4)Comment
Comment对象是一个特殊类型的NavigableString对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。我们找一个带注释的标签
printsoup.a
printsoup.a.string
printtype(soup.a.string)
运行结果如下
Elsie
a标签里的内容实际上是注释,但是如果我们利用.string来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。另外我们打印输出下它的类型,发现它是一个Comment类型,所以,我们在使用前最好做一下判断,判断代码如下
iftype(soup.a.string)==bs4.element.Comment:
printsoup.a.string
上面的代码中,我们首先判断了它的类型,是否为Comment类型,然后再进行其他操作,如打印输出。
BeautifulSoup模块遍历文档树
(1)直接子节点
Tag.Tag_child1:直接通过下标名称访问子节点。Tag.contents:以列表形式返回所有子节点。Tag.children:生成器,可用于循环访问:forchildinTag.children要点:.contents.children属性.contentstag的.content属性可以将tag的子节点以列表的方式输出。可以使用[num]的形式获得。使用contents向后遍历树,使用parent向前遍历树
printsoup.head.contents
#[TheDormouse'sstory ]
输出方式为列表,我们可以用列表索引来获取它的某一个元素
printsoup.head.contents[0]
#TheDormouse'sstory
.children它返回的不是一个list,不过我们可以通过遍历获取所有子节点。我们打印输出.children看一下,可以发现它是一个list生成器对象。可以使用list可以将其转化为列表。当然可以使用for语句遍历里面的孩子。
printsoup.head.children
#
我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下
forchildin soup.body.children:
printchild
TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. ...
(2)所有子孙节点
知识点:.descendants属性.descendants.contents和.children属性仅包含tag的直接子节点,.descendants属性可以对所有tag的子孙节点进行递归循环,和children类似,我们也需要遍历获取其中的内容。Tag.descendants:生成器,可用于循环访问:fordesinTag.descendants
forchildinsoup.descendants:
printchild
运行结果如下,可以发现,所有的节点都被打印出来了,先生成最外层的HTML标签,其次从head标签一个个剥离,以此类推。
TheDormouse'sstory TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. ... TheDormouse'sstory TheDormouse'sstory TheDormouse'sstoryTheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. ... TheDormouse'sstory TheDormouse'sstory TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. Onceuponatimetherewerethreelittlesisters;andtheirnameswere Elsie , Lacie Lacie and Tillie Tillie ; andtheylivedatthebottomofawell. ... ...
(3)节点内容
知识点:.string属性Tag.String:Tag只有一个String子节点是,可以这么访问,否则返回NoneTag.Strings:生成器,可用于循环访问:forstrinTag.Strings如果tag只有一个NavigableString类型子节点,那么这个tag可以使用.string得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用.string方法,输出结果与当前唯一子节点的.string结果相同。通俗点说就是:如果一个标签里面没有标签了,那么.string就会返回标签里面的内容。如果标签里面只有唯一的一个标签了,那么.string也会返回最里面的内容。如果超过一个标签的话,那么就会返回None。例如
printsoup.head.string
#TheDormouse'sstory
printsoup.title.string
#TheDormouse'sstory
如果tag包含了多个子节点,tag就无法确定,string方法应该调用哪个子节点的内容,.string的输出结果是None
printsoup.html.string
#None
(4)多个内容
知识点:.strings.stripped_strings属性.strings获取多个内容,不过需要遍历获取,比如下面的例子
forstringinsoup.strings: print(repr(string)) #u"TheDormouse'sstory" #u'\n\n' #u"TheDormouse'sstory" #u'\n\n' #u'Onceuponatimetherewerethreelittlesisters;andtheirnameswere\n' #u'Elsie' #u',\n' #u'Lacie' #u'and\n' #u'Tillie' #u';\nandtheylivedatthebottomofawell.' #u'\n\n' #u'...' #u'\n'
.stripped_strings 输出的字符串中可能包含了很多空格或空行,使用.stripped_strings可以去除多余空白内容
forstringinsoup.stripped_strings: print(repr(string)) #u"TheDormouse'sstory" #u"TheDormouse'sstory" #u'Onceuponatimetherewerethreelittlesisters;andtheirnameswere' #u'Elsie' #u',' #u'Lacie' #u'and' #u'Tillie' #u';\nandtheylivedatthebottomofawell.' #u'...'
(5)父节点
知识点:.parent属性使用parent获取父节点。Tag.parent:父节点Tag.parents:父到根的所有节点
body=soup.bodyhtml=body.parent #html是body的父亲
p=soup.p
printp.parent.name
#body
content=soup.head.title.string
printcontent.parent.name
#title
(6)全部父节点
知识点:.parents属性通过元素的.parents属性可以递归得到元素的所有父辈节点,例如
content=soup.head.title.string forparentincontent.parents: printparent.name title head html [document]
(7)兄弟节点
知识点:.next_sibling.previous_sibling属性
使用nextSibling,previousSibling获取前后兄弟
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
兄弟节点可以理解为和本节点处在统一级的节点,.next_sibling属性获取了该节点的下一个兄弟节点,.previous_sibling则与之相反,如果节点不存在,则返回None。
注意:实际文档中的tag的.next_sibling和.previous_sibling属性通常是字符串或空白,因为空白或者换行也可以被视作一个节点,所以得到的结果可能是空白或者换行
printsoup.p.next_sibling #实际该处为空白 printsoup.p.prev_sibling #None没有前一个兄弟节点,返回None printsoup.p.next_sibling.next_sibling #Onceuponatimetherewerethreelittlesisters;andtheirnameswere # , # Lacieand # Tillie; #andtheylivedatthebottomofawell. #下一个节点的下一个兄弟节点是我们可以看到的节点
.next方法:只能针对单一元素进行.next,或者说是对contents列表元素的挨个清点。比如
soup.contents[1]=u'HTML'
soup.contents[2]=u'\n'
则soup.contents[1].next等价于soup.contents[2]
head=body.previousSibling #head和body在同一层,是body的前一个兄弟
p1=body.contents[0] #p1,p2都是body的儿子,我们用contents[0]取得p1
p2=p1.nextSibling #p2与p1在同一层,是p1的后一个兄弟,当然body.content[1]也可得到
contents[]的灵活运用也可以寻找关系节点,寻找祖先或者子孙可以采用findParent(s),findNextSibling(s),findPreviousSibling(s)
(8)全部兄弟节点
知识点:.next_siblings.previous_siblings属性通过.next_siblings和.previous_siblings属性可以对当前节点的兄弟节点迭代输出
forsiblinginsoup.a.next_siblings: print(repr(sibling)) #u',\n' #Lacie #u'and\n' # Tillie #u';andtheylivedatthebottomofawell.' #None
(9)前后节点
知识点:.next_element.previous_element属性与.next_sibling.previous_sibling不同,它并不是针对于兄弟节点,而是在所有节点,不分层次。比如head节点为
TheDormouse'sstory
那么它的下一个节点便是title,它是不分层次关系的
printsoup.head.next_element
#TheDormouse'sstory
(10)所有前后节点
知识点:.next_elements.previous_elements属性通过.next_elements和.previous_elements的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样
forelementinlast_a_tag.next_elements: print(repr(element)) #u'Tillie' #u';\nandtheylivedatthebottomofawell.' #u'\n\n' #... #u'...' #u'\n' #None
以上是遍历文档树的基本用法。
搜索文档树
最常用的是find_all()函数(1)find_all(name,attrs,recursive,text,**kwargs)find_all()方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件1)name参数name参数可以查找所有名字为name的tag,字符串对象会被自动忽略掉
#第一个参数为Tag的名称 tag.find_all(‘title') #得到”&%^&* ”,结果为一个列表 第二个参数为匹配的属性 tag.find_all(“title”,class=”sister”) #得到如”%^*& #第二个参数也可以为字符串,得到字符串匹配的结果 tag.find_all(“title”,”sister”) #得到如” %^*&
A.传字符串最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,BeautifulSoup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签
soup.find_all('b') #[TheDormouse'sstory] printsoup.find_all('a') #[, Lacie, Tillie]
B.传正则表达式如果传入正则表达式作为参数,BeautifulSoup会通过正则表达式的match()来匹配内容.下面例子中找出所有以b开头的标签,这表示
和标签都应该被找到importre fortaginsoup.find_all(re.compile("^b")): print(tag.name) #body #b
C.传列表如果传入列表参数,BeautifulSoup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签
soup.find_all(["a","b"]) #[TheDormouse'sstory, #Elsie, # Lacie, # Tillie]
D.传TrueTrue可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
fortaginsoup.find_all(True): print(tag.name) #html #head #title #body #p #b #p #a #a
E.传方法如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数[4],如果这个方法返回True表示当前元素匹配并且被找到,如果不是则反回False。下面方法校验了当前元素,如果包含class属性却不包含id属性,那么将返回True:
defhas_class_but_no_id(tag): returntag.has_attr('class')andnottag.has_attr('id')
将这个方法作为参数传入find_all()方法,将得到所有
标签:
soup.find_all(has_class_but_no_id) #[TheDormouse'sstory, # Onceuponatimetherewere..., # ...]
2)keyword参数注意:如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为id的参数,BeautifulSoup会搜索每个tag的”id”属性
soup.find_all(id='link2')
#[Lacie]
如果传入href参数,BeautifulSoup会搜索每个tag的”href”属性
soup.find_all(href=re.compile("elsie"))
#[Elsie]
使用多个指定名字的参数可以同时过滤tag的多个属性
soup.find_all(href=re.compile("elsie"),id='link1')
#[three]
在这里我们想用class过滤,不过class是python的关键词,这怎么办?加个下划线就可以
soup.find_all("a",class_="sister")
#[Elsie,
#Lacie,
#Tillie]
有些tag属性在搜索不能使用,比如HTML5中的data-*属性
data_soup=BeautifulSoup('foo!
data_soup.find_all(data-foo="value")
#SyntaxError:keywordcan'tbeanexpression
但是可以通过find_all()方法的attrs参数定义一个字典参数来搜索包含特殊属性的tag
data_soup.find_all(attrs={"data-foo":"value"})
#[foo!
3)text参数通过text参数可以搜搜文档中的字符串内容.与name参数的可选值一样,text参数接受字符串,正则表达式,列表,True
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"TheDormouse'sstory",u"TheDormouse'sstory"]
4)limit参数find_all()方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用limit参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到limit的限制时,就停止搜索返回结果.文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量
soup.find_all("a",limit=2)
#[Elsie,
#Lacie]
5)recursive参数调用tag的find_all()方法时,BeautifulSoup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。一段简单的文档:
TheDormouse'sstory ...
是否使用recursive参数的搜索结果:
soup.html.find_all("title")
#[TheDormouse'sstory ]
soup.html.find_all("title",recursive=False)
#[]
(2)find(name=None,attrs={},recursive=True,text=None,**kwargs)
它与find_all()方法唯一的区别是find_all()方法的返回结果是值包含一个元素的列表,而find()方法直接返回结果。
.find('p'),.findAll('p'):find返回的是字符串值,而且是返回从头查找到的第一个tag对。但是如果这第一个tag对包括大量的内容,父等级很高,则同时其内部所包含的,此级标签也全部都find。findAll返回值是个列表,如果发现了一个同名标签内含多个同名标签,则内部的标签一并归于该父标签显示,列表其他元素也不再体现那些内含的同名子标签。即findAll会返回所有符合要求的结果,并以list返回。
soup.findAll(οnclick='document.location...')
soup.findAll(attrs={'style':r'outline:none;'})#用来查找属性中有style='outline:none;的标签体。
tag搜索
find(tagname) #直接搜索名为tagname的tag如:find('head')
find(list) #搜索在list中的tag,如:find(['head','body'])
find(dict) #搜索在dict中的tag,如:find({'head':True,'body':True})
find(re.compile('')) #搜索符合正则的tag,如:find(re.compile('^p'))搜索以p开头的tag
find(lambda) #搜索函数返回结果为true的tag,如:find(lambdaname:iflen(name)==1)搜索长度为1的tag
find(True) #搜索所有tag
attrs搜索
find(id='xxx') #寻找id属性为xxx的
find(attrs={id=re.compile('xxx'),algin='xxx'})#寻找id属性符合正则且algin属性为xxx的
find(attrs={id=True,algin=None}) #寻找有id属性但是没有algin属性的
resp1=soup.findAll('a',attrs={'href':match1})
resp2=soup.findAll('h1',attrs={'class':match2})
resp3=soup.findAll('img',attrs={'id':match3})
text搜索文字的搜索会导致其他搜索给的值如:tag,attrs都失效。方法与搜索tag一致
printp1.text
#u'Thisisparagraphone.'
printp2.text
#u'Thisisparagraphtwo.'
#注意:1,每个tag的text包括了它以及它子孙的text。2,所有text已经被自动转为unicode,如果需要,可以自行转码encode(xxx)
recursive和limit属性
recursive=False表示只搜索直接儿子,否则搜索整个子树,默认为True。
当使用findAll或者类似返回list的方法时,limit属性用于限制返回的数量,
如:findAll('p',limit=2):返回首先找到的两个tag
(3)find_parents() find_parent()
find_all()和find()只搜索当前节点的所有子节点,孙子节点等.find_parents()和find_parent()用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容
(4)find_next_siblings() find_next_sibling()
这2个方法通过.next_siblings属性对当tag的所有后面解析的兄弟tag节点进行迭代,find_next_siblings()方法返回所有符合条件的后面的兄弟节点,find_next_sibling()只返回符合条件的后面的第一个tag节点
(5)find_previous_siblings() find_previous_sibling()
这2个方法通过.previous_siblings属性对当前tag的前面解析的兄弟tag节点进行迭代,find_previous_siblings()方法返回所有符合条件的前面的兄弟节点,find_previous_sibling()方法返回第一个符合条件的前面的兄弟节点
(6)find_all_next() find_next()
这2个方法通过.next_elements属性对当前tag的之后的tag和字符串进行迭代,find_all_next()方法返回所有符合条件的节点,find_next()方法返回第一个符合条件的节点
(7)find_all_previous()和find_previous()
这2个方法通过.previous_elements属性对当前节点前面的tag和字符串进行迭代,find_all_previous()方法返回所有符合条件的节点,find_previous()方法返回第一个符合条件的节点
注:以上(2)(3)(4)(5)(6)(7)方法参数用法与find_all()完全相同,原理均类似,在此不再赘述。
CSS选择器
在写CSS时,标签名不加任何修饰,类名前加点,id名前加#在这里我们也可以利用类似的方法来筛选元素,用到的方法是soup.select(),返回类型是list(1)通过标签名查找
printsoup.select('title')
#[TheDormouse'sstory ]
printsoup.select('a')
#[, Lacie, Tillie]
printsoup.select('b')
#[TheDormouse'sstory]
(2)通过类名查找
printsoup.select('.sister')
#[, Lacie, Tillie]
(3)通过id名查找
printsoup.select('#link1')
#[]
(4)组合查找组合查找即和写class文件时,标签名与类名、id名进行的组合原理是一样的,例如:查找p标签中,id等于link1的内容,二者需要用空格分开
printsoup.select('p#link1')
#[]
直接子标签查找
printsoup.select("head>title")
#[TheDormouse'sstory ]
(5)属性查找查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。
printsoup.select('a[class="sister"]')
#[, Lacie, Tillie]
printsoup.select('a[href="http://jb51.net/elsie"]')
#[]
同样,属性仍然可以与上述查找方式组合,不在同一节点的空格隔开,同一节点的不加空格
printsoup.select('pa[href="http://jb51.net/elsie"]')
#[]
以上的select方法返回的结果都是列表形式,可以遍历形式输出,然后用get_text()方法来获取它的内容。
soup=BeautifulSoup(html,'lxml')
printtype(soup.select('title'))
printsoup.select('title')[0].get_text()
fortitleinsoup.select('title'):
printtitle.get_text()
这就是另一种与find_all方法有异曲同工之妙的查找方法,是不是感觉很方便?
printsoup.find_all("a",class_="sister") printsoup.select("p.title") #通过属性进行查找 printsoup.find_all("a",attrs={"class":"sister"}) #通过文本进行查找 printsoup.find_all(text="Elsie") printsoup.find_all(text=["Tillie","Elsie","Lacie"]) #限制结果个数 printsoup.find_all("a",limit=2)
本文详细讲解了python爬虫块BeautifulSoup从安装到详细使用方法与实例,更多关于python爬虫块BeautifulSoup的使用方法请查看下面的相关链接
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。