Python网络爬虫（三）——Beutiful Soup库入门

| 学习笔记 python

Beautiful Soup库

Beautiful Soup库的理解

image
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
image

Beautiful Soup库的引用

Beautiful Soup库，也叫beautifulsoup4 或bs4
约定引用方式如下，即主要是用BeautifulSoup类

from bs4 import BeautifulSoup
import bs4

BeautifulSoup类

image
BeautifulSoup对应一个HTML/XML文档的全部内容

Beautiful Soup库解析器

soup = BeautifulSoup('<html>data<html>'，'html.parser')
解析器 使用方法 条件
bs4的HTML解析器 BeautifulSoup(mk,’html.parser’) 安装bs4库
lxml的HTML解析器 BeautifulSoup(mk,’lxml’) pip install lxml
lxml的XML解析器 BeautifulSoup(mk,’xml’) pip install lxml
html5lib的解析器 BeautifulSoup(mk,’html5lib’) pip install html5lib

BeautifulSoup类的基本元素

<p class=“title”> … </p>
基本元素 说明
Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
Name 标签的名字，\

…\

的名字是’p’，格式：\.name
Attributes 标签的属性，字典形式组织，格式：\.attrs
NavigableString 标签内非属性字符串，\<>…\</>中字符串，格式：\.string
Comment 标签内字符串的注释部分，一种特殊的Comment类型

Tag标签

>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> r.text
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,'html.parser')
>>> print(soup.prettify())
>>> soup.title
<title>This is a python demo page</title>
>>> soup.a
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

任何存在于HTML语法中的标签都可以用soup.访问获得
当HTML文档中存在多个相同对应内容时，soup.返回第一个
Tag的name（名字）

>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'

每个都有自己的名字，通过.name获取，字符串类型
Tag的attrs（属性）

>>> tag = soup.a
>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}

一个可以有0或多个属性，字典类型
Tag的NavigableString

>>> soup.a.string
'Basic Python'
>>> soup.p.string
'The demo python introduces several python courses.'
>>> type(soup.p.string)

NavigableString可以跨越多个层次
Tag的Comment

>>> newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>","html.parser")
>>> newsoup.b.string
'This is a comment'
>>> type(newsoup.b.string)
<class 'bs4.element.Comment'>
>>> newsoup.p.string
'This is not a comment'
>>> type(newsoup.p.string)
<class 'bs4.element.NavigableString'>

Comment是一种特殊类型

基于bs4库的HTML内容遍历方法

HTML基本格式

<html>
    <head>
        <title>This is a python demo page</title>
    </head>
    <body>
        <p class="title">
            <b>The demo python introduces several python courses.</b>
        </p>
        <p class=“course”>Python is a wonderful general‐purpose programming language.
    You can learn Python from novice to professional by tracking the following courses:
            <a href="http://www.icourse163.org/course/BIT‐268001" class="py1"
    id="link1">Basic Python</a> and
            <a href="http://www.icourse163.org/course/BIT‐1001870001" class="py2"
    id="link2">Advanced Python</a>.
        </p>
    </body>
</html>

image
<>…</>构成了所属关系，形成了标签的树形结构

标签树的下行遍历

BeautifulSoup类型是标签树的根节点

属性 说明
.contents 子节点的列表，将所有儿子节点存入列表
.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

遍历儿子节点：

for child in soup.body.children:
print(child)

遍历子孙节点：

for child in soup.body.descendants:
print(child)

标签树的上行遍历

属性 说明
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

遍历所有先辈节点，包括soup本身，所以要区别判断：

>>> for parent in soup.a.parents:
    if parent is None:
        print(parent)
    else:
        print(parent.name)


p
body
html
[document]

标签树的平行遍历

属性 说明
.next_sibling 返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

image

平行遍历发生在同一个父节点下的各节点间

遍历后续节点

for sibling in soup.a.next_sibling:
    print(sibling)

遍历前续节点

for sibling in soup.a.previous_sibling:
    print(sibling)

小结

image

基于bs4库的HTML格式输出

bs4库的prettify()方法

image

.prettify()为HTML文本<>及其内容增加更加’\n’
.prettify()可用于标签，方法：.prettify()

image

bs4库的编码

bs4库将任何HTML输入都变成utf‐8编码
Python 3.x默认支持编码是utf‐8,解析无障碍

image

加载评论框需要翻墙