Python爬虫beautifulsoup4常用的解析方法总结
摘要
- 如何用beautifulsoup4解析各种情况的网页
beautifulsoup4的使用
关于beautifulsoup4,官网已经讲的很详细了,我这里就把一些常用的解析方法做个总结,方便查阅。
装载html文档
使用beautifulsoup的第一步是把html文档装载到beautifulsoup中,使其形成一个beautifulsoup对象。
importrequests frombs4importBeautifulSoup url="http://new.qq.com/omn/20180705/20180705A0920X.html" r=requests.get(url) htmls=r.text #print(htmls) soup=BeautifulSoup(htmls,'html.parser')
初始化BeautifulSoup类时,需要加入两个参数,第一个参数即是我们爬到html源码,第二个参数是html解析器,常用的有三个解析器,分别是”html.parser”,”lxml”,”html5lib”,官网推荐用lxml,因为效率高,当然需要pipinstalllxml一下。
当然这三种解析方式在某些情况解析得到的对象内容是不同的,比如对于标签不完整这一情况(p标签只有一半):
soup=BeautifulSoup("","html.parser") #只有起始标签的会自动补全,只有结束标签的灰自动忽略 #结果为: soup=BeautifulSoup("","lxml") #结果为: soup=BeautifulSoup("","html5lib") #html5lib则出现一般的标签都会自动补全 #结果为:
使用
在使用中,我尽量按照我使用的频率介绍,毕竟为了查阅~
- 按照标签名称、id、class等信息获取某个标签
html='TheDormousesstory' soup=BeautifulSoup(html,'lxml') #根据class的名称获取p标签内的所有内容 soup.find(class_="title") #或者 soup.find("p",class_="title"id="p1") #获取class为title的p标签的文本内容"TheDormouse'sstory" soup.find(class_="title").get_text() #获取文本内容时可以指定不同标签之间的分隔符,也可以选择是否去掉前后的空白。 soup=BeautifulSoup(' TheDormousesstory TheDormousesstory',"html5lib") soup.find(class_="title").get_text("|",strip=True) #结果为:TheDormousesstory|TheDormousesstory #获取class为title的p标签的id soup.find(class_="title").get("id") #对class名称正则: soup.find_all(class_=re.compile("tit")) #recursive参数,recursive=False时,只find当前标签的第一级子标签的数据 soup=BeautifulSoup(' abc','lxml') soup.html.find_all("title",recursive=False)
- 按照标签名称、id、class等信息获取多个标签
soup=BeautifulSoup('Thelikestory TheDormousesstory',"html5lib") #获取所有class为title的标签 foriinsoup.find_all(class_="title"): print(i.get_text()) #获取特定数量的class为title的标签 foriinsoup.find_all(class_="title",limit=2): print(i.get_text())
- 按照标签的其他属性获取某个标签
html='蜗牛宋' soup=BeautifulSoup(html,'lxml') #获取"蜗牛宋",此时,该标签里既没有class也没有id,需要根据其属性来定义获取规则 author=soup.find('a',{"alog-action":"qb-ask-uname"}).get_text() #或 author=soup.find(attrs={"alog-action":"qb-ask-uname"})
- 找前头和后头的标签
soup.find_all_previous("p") soup.find_previous("p") soup.find_all_next("p") soup.find_next("p")
- 找父标签
soup.find_parents("div") soup.find_parent("div")
- css选择器
soup.select("title")#标签名 soup.select("htmlheadtitle")#多级标签名 soup.select("p>a")#p内的所有a标签 soup.select("p>#link1")#P标签内,按id查标签 soup.select("#link1~.sister")#查找相同class的兄弟节点 soup.select("#link1+.sister") soup.select(".sister")#按class名称查 soup.select("#sister")#按id名称查 soup.select('a[href="http://example.com/elsie"rel="externalnofollow"]')#按标签的属性查 soup.select('a[href$="tillie"]') soup.select_one(".sister")
注意几个可能出现的错误,可以用try捕获来防止爬虫进程
- UnicodeEncodeError:‘charmap'codeccan'tencodecharacteru'\xfoo'inpositionbar(或其它类型的UnicodeEncodeError
需要转码
- AttributeError:‘NoneType'objecthasnoattribute‘foo'
没这个属性
就介绍这么多,应该可以覆盖大部分网页结构了吧~!
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对毛票票的支持。如果你想了解更多相关内容请查看下面相关链接