爬蟲之解析庫-----re、beautifulsoup、pyquery，
一、介紹
Beautiful Soup 是一個可以從HTML或XML檔案中提取資料的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,尋找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間.你可能在尋找 Beautiful Soup3 的文檔,Beautiful Soup 3 目前已經停止開發,官網推薦在現在的項目中使用Beautiful Soup 4, 移植到BS4
安裝：Beautifulsoup4 pip3 install beautifulsoup4安裝解譯器： Beautiful Soup支援Python標準庫中的HTML解析器,還支援一些第三方的解析器,其中一個是 lxml .根據作業系統不同,可以選擇下列方法來安裝lxml:
下表列出了主要的解析器,以及它們的優缺點,官網推薦使用lxml作為解析器,因為效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必須安裝lxml或html5lib, 因為那些Python版本的標準庫中內建的HTML解析方法不夠穩定.
| 解析器 | 使用方法 | 優勢 | 劣勢 |
|---|---|---|---|
| Python標準庫 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 | BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
中文文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
二、基本使用
html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</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.</p><p class="story">...</p>"""#基本使用：容錯處理,文檔的容錯能力指的是在html代碼不完整的情況下,使用該模組可以識別該錯誤。使用BeautifulSoup解析上述代碼,能夠得到一個 BeautifulSoup 的對象,並能按照標準的縮排格式的結構輸出from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml') #具有容錯功能res=soup.prettify() #處理好縮排，結構化顯示print(res)
三、遍曆文檔數
#遍曆文檔樹：即直接通過標籤名字選擇，特點是選擇速度快，但如果存在多個相同的標籤則只返回第一個#1、用法#2、擷取標籤的名稱#3、擷取標籤的屬性#4、擷取標籤的內容#5、嵌套選擇#6、子節點、子孫節點#7、父節點、祖先節點#8、兄弟節點
#遍曆文檔樹：即直接通過標籤名字選擇，特點是選擇速度快，但如果存在多個相同的標籤則只返回第一個html_doc = """<html><head><title>The Dormouse's story</title></head><body><p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</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.</p><p class="story">...</p>"""#1、用法from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')# soup=BeautifulSoup(open('a.html'),'lxml')print(soup.p) #存在多個相同的標籤則只返回第一個print(soup.a) #存在多個相同的標籤則只返回第一個#2、擷取標籤的名稱print(soup.p.name)#3、擷取標籤的屬性print(soup.p.attrs)#4、擷取標籤的內容print(soup.p.string) # p下的文本只有一個時，取到，否則為Noneprint(soup.p.strings) #拿到一個產生器對象, 取到p下所有的常值內容print(soup.p.text) #取到p下所有的常值內容for line in soup.stripped_strings: #去掉空白 print(line)'''如果tag包含了多個子節點,tag就無法確定 .string 方法應該調用哪個子節點的內容, .string 的輸出結果是 None，如果只有一個子節點那麼就輸出該子節點的文本，比如下面的這種結構，soup.p.string 返回為None,但soup.p.strings就可以找到所有文本<p id='list-1'> 哈哈哈哈 <a class='sss'> <span> <h1>aaaa</h1> </span> </a> <b>bbbbb</b></p>'''#5、嵌套選擇print(soup.head.title.string)print(soup.body.a.string)#6、子節點、子孫節點print(soup.p.contents) #p下所有子節點print(soup.p.children) #得到一個迭代器,包含p下所有子節點for i,child in enumerate(soup.p.children): print(i,child)print(soup.p.descendants) #擷取子孫節點,p下所有的標籤都會選擇出來for i,child in enumerate(soup.p.descendants): print(i,child)#7、父節點、祖先節點print(soup.a.parent) #擷取a標籤的父節點print(soup.a.parents) #找到a標籤所有的祖先節點，父親的父親，父親的父親的父親...#8、兄弟節點print('=====>')print(soup.a.next_sibling) #下一個兄弟print(soup.a.previous_sibling) #上一個兄弟print(list(soup.a.next_siblings)) #下面的兄弟們=>產生器對象print(soup.a.previous_siblings) #上面的兄弟們=>產生器對象用法
四、搜尋文檔數
1、五種過濾器
#搜尋文檔樹：BeautifulSoup定義了很多搜尋方法,這裡著重介紹2個: find() 和 find_all() .其它方法的參數和用法類似html_doc = """<html><head><title>The Dormouse's story</title></head><body><p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</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.</p><p class="story">...</p>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')#1、五種過濾器: 字串、Regex、列表、True、方法#1.1、字串：即標籤名print(soup.find_all('b'))#1.2、Regeximport reprint(soup.find_all(re.compile('^b'))) #找出b開頭的標籤，結果有body和b標籤#1.3、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<a>標籤和<b>標籤:print(soup.find_all(['a','b']))#1.4、True：可以匹配任何值,下面代碼尋找到所有的tag,但是不會返回字串節點print(soup.find_all(True))for tag in soup.find_all(True): print(tag.name)#1.5、方法:如果沒有合適過濾器,那麼還可以定義一個方法,方法只接受一個元素參數 ,如果這個方法返回 True 表示當前元素匹配並且被找到,如果不是則反回 Falsedef has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id')print(soup.find_all(has_class_but_no_id))過濾器的用法
2、find_all（name,attrs,recursive,text,**kwargs）
#2、find_all( name , attrs , recursive , text , **kwargs )#2.1、name: 搜尋name參數的值可以使任一類型的 過濾器 ,字元竄,Regex,列表,方法或是 True .print(soup.find_all(name=re.compile('^t')))#2.2、keyword: key=value的形式，value可以是過濾器：字串 , Regex , 列表, True .print(soup.find_all(id=re.compile('my')))print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意類要用class_print(soup.find_all(id=True)) #尋找有id屬性的標籤# 有些tag屬性在搜尋不能使用,比如HTML5中的 data-* 屬性:data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')# data_soup.find_all(data-foo="value") #報錯：SyntaxError: keyword can't be an expression# 但是可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜尋包含特殊屬性的tag:print(data_soup.find_all(attrs={"data-foo": "value"}))# [<div data-foo="value">foo!</div>]#2.3、按照類名尋找，注意關鍵字是class_，class_=value,value可以是五種選取器之一print(soup.find_all('a',class_='sister')) #尋找類為sister的a標籤print(soup.find_all('a',class_='sister ssss')) #尋找類為sister和sss的a標籤，順序錯誤也匹配不成功print(soup.find_all(class_=re.compile('^sis'))) #尋找類為sister的所有標籤#2.4、attrsprint(soup.find_all('p',attrs={'class':'story'}))#2.5、text: 值可以是：字元，列表，True，正則print(soup.find_all(text='Elsie'))print(soup.find_all('a',text='Elsie'))#2.6、limit參數:如果文檔樹很大那麼搜尋會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜尋到的結果數量達到 limit 的限制時,就停止搜尋返回結果print(soup.find_all('a',limit=2))#2.7、recursive:調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜尋tag的直接子節點,可以使用參數 recursive=False .print(soup.html.find_all('a'))print(soup.html.find_all('a',recursive=False))'''像調用 find_all() 一樣調用tagfind_all() 幾乎是Beautiful Soup中最常用的搜尋方法,所以我們定義了它的簡寫方法. BeautifulSoup 對象和 tag 對象可以被當作一個方法來使用,這個方法的執行結果與調用這個對象的 find_all() 方法相同,下面兩行代碼是等價的:soup.find_all("a")soup("a")這兩行代碼也是等價的:soup.title.find_all(text=True)soup.title(text=True)'''View Code
3、find（name,attrs,recursive,text,**kwargs）
#3、find( name , attrs , recursive , text , **kwargs )find_all() 方法將返迴文檔中合格所有tag,儘管有時候我們只想得到一個結果.比如文檔中只有一個<body>標籤,那麼使用 find_all() 方法來尋找<body>標籤就不太合適, 使用 find_all 方法並設定 limit=1 參數不如直接使用 find() 方法.下面兩行代碼是等價的:soup.find_all('title', limit=1)# [<title>The Dormouse's story</title>]soup.find('title')# <title>The Dormouse's story</title>唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果.find_all() 方法沒有找到目標是返回空列表, find() 方法找不到目標時,返回 None .print(soup.find("nosuchtag"))# Nonesoup.head.title 是 tag的名字 方法的簡寫.這個簡寫的原理就是多次調用當前tag的 find() 方法:soup.head.title# <title>The Dormouse's story</title>soup.find("head").find("title")# <title>The Dormouse's story</title>View Code
4、其他方法
#見官網:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parentView Code
5、CSS選取器
#該模組提供了select方法來支援css,詳見官網:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"> <b>The Dormouse's story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>; <div class='panel-1'> <ul class='list' id='list-1'> <li class='element'>Foo</li> <li class='element'>Bar</li> <li class='element'>Jay</li> </ul> <ul class='list list-small' id='list-2'> <li class='element'><h1 class='yyyy'>Foo</h1></li> <li class='element xxx'>Bar</li> <li class='element'>Jay</li> </ul> </div> and they lived at the bottom of a well.</p><p class="story">...</p>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')#1、CSS選取器print(soup.p.select('.sister'))print(soup.select('.sister span'))print(soup.select('#link1'))print(soup.select('#link1 span'))print(soup.select('#list-2 .element.xxx'))print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其實沒必要,一條select就可以了# 2、擷取屬性print(soup.select('#list-2 h1')[0].attrs)# 3、擷取內容print(soup.select('#list-2 h1')[0].get_text())View Code
Start building with 50+ products and up to 12 months usage for Elastic Compute Service
1 on 1 presale consultation
24/7 Technical Support 6 Free Tickets per Quarter Faster Response
Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.
A comprehensive suite of global cloud computing services to power your business
Payment Methods We Support
