Heim > Artikel > Backend-Entwicklung > So verwenden Sie das Python-Beautifulsoup4-Modul
So verwenden Sie das Python-Beautifulsoup4-Modul
- 王林nach vorne
- 2023-05-11 22:31:041060Durchsuche
1. Ergänzende Grundkenntnisse von BeautifulSoup4
BeautifulSoup4 ist eine Python-Parsing-Bibliothek, die hauptsächlich zum Parsen von HTML und XML verwendet wird. Im Crawler-Wissenssystem wird es mehr Parsen von HTML geben Dieser Befehl zur Bibliotheksinstallation lautet wie folgt:BeautifulSoup4 是一款 python 解析库，主要用于解析 HTML 和 XML，在爬虫知识体系中解析 HTML 会比较多一些，
该库安装命令如下：
pip install beautifulsoup4
BeautifulSoup 在解析数据时，需依赖第三方解析器，常用解析器与优势如下所示：
python 标准库 html.parser：python 内置标准库，容错能力强；lxml 解析器：速度快，容错能力强；html5lib：容错性最强，解析方式与浏览器一致。
接下来用一段自定义的 HTML 代码来演示 beautifulsoup4 库的基本使用，测试代码如下：
<html>
<head>
<title>测试bs4模块脚本</title>
</head>
<body>
<h2>橡皮擦的爬虫课</h2>
<p>用一段自定义的 HTML 代码来演示</p>
</body>
</html>使用 BeautifulSoup 对其进行简单的操作，包含实例化 BS 对象，输出页面标签等内容。
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") # 上述是将字符串格式化为 Beautiful Soup 对象，你可以从一个文件进行格式化 # soup = BeautifulSoup(open('test.html')) print(soup) # 输入网页标题 title 标签 print(soup.title) # 输入网页 head 标签 print(soup.head) # 测试输入段落标签 p print(soup.p) # 默认获取第一个
我们可以通过 BeautifulSoup 对象，直接调用网页标签，这里存在一个问题，通过 BS 对象调用标签只能获取排在第一位置上的标签，如上述代码中，只获取到了一个 p 标签，如果想要获取更多内容，请继续阅读。
学习到这里，我们需要了解 BeautifulSoup 中的 4 个内置对象：
BeautifulSoup：基本对象，整个 HTML 对象，一般当做 Tag 对象看即可；Tag：标签对象，标签就是网页中的各个节点，例如 title，head，p；NavigableString：标签内部字符串；Comment：注释对象，爬虫里面使用场景不多。
下述代码为你演示这几种对象出现的场景，注意代码中的相关注释：
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") # 上述是将字符串格式化为 Beautiful Soup 对象，你可以从一个文件进行格式化 # soup = BeautifulSoup(open('test.html')) print(soup) print(type(soup)) # <class 'bs4.BeautifulSoup'> # 输入网页标题 title 标签 print(soup.title) print(type(soup.title)) # <class 'bs4.element.Tag'> print(type(soup.title.string)) # <class 'bs4.element.NavigableString'> # 输入网页 head 标签 print(soup.head)
对于 Tag 对象，有两个重要的属性，是 name 和 attrs
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> <a href="http://www.csdn.net" rel="external nofollow" rel="external nofollow" >CSDN 网站</a> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") print(soup.name) # [document] print(soup.title.name) # 获取标签名 title print(soup.html.body.a) # 可以通过标签层级获取下层标签 print(soup.body.a) # html 作为一个特殊的根标签，可以省略 print(soup.p.a) # 无法获取到 a 标签 print(soup.a.attrs) # 获取属性
上述代码演示了获取 name 属性和 attrs 属性的用法，其中 attrs 属性得到的是一个字典，可以通过键获取对应的值。
获取标签的属性值，在 BeautifulSoup 中，还可以使用如下方法：
print(soup.a["href"])
print(soup.a.get("href"))获取 NavigableString 对象 获取了网页标签之后，就要获取标签内文本了，通过下述代码进行。
print(soup.a.string)
除此之外，你还可以使用 text 属性和 get_text() 方法获取标签内容。
print(soup.a.string) print(soup.a.text) print(soup.a.get_text())
还可以获取标签内所有文本，使用 strings 和 stripped_strings 即可。
print(list(soup.body.strings)) # 获取到空格或者换行 print(list(soup.body.stripped_strings)) # 去除空格或者换行
扩展标签/节点选择器之遍历文档树
直接子节点
标签（Tag）对象的直接子元素，可以使用 contents 和 children 属性获取。
from bs4 import BeautifulSoup
text_str = """<html>
<head>
<title>测试bs4模块脚本</title>
</head>
<body>
<div id="content">
<h2>橡皮擦的爬虫课<span>最棒</span></h2>
<p>用1段自定义的 HTML 代码来演示</p>
<p>用2段自定义的 HTML 代码来演示</p>
<a href="http://www.csdn.net" rel="external nofollow" rel="external nofollow" >CSDN 网站</a>
</div>
<ul class="nav">
<li>首页</li>
<li>博客</li>
<li>专栏课程</li>
</ul>
</body>
</html>
"""
# 实例化 Beautiful Soup 对象
soup = BeautifulSoup(text_str, "html.parser")
# contents 属性获取节点的直接子节点，以列表的形式返回内容
print(soup.div.contents) # 返回列表
# children 属性获取的也是节点的直接子节点，以生成器的类型返回
print(soup.div.children) # 返回 <list_iterator object at 0x00000111EE9B6340>请注意以上两个属性获取的都是直接子节点，例如 h2 标签内的后代标签 span ，不会单独获取到。
如果希望将所有的标签都获取到，使用 descendants 属性，它返回的是一个生成器，所有标签包括标签内的文本都会单独获取。
print(list(soup.div.descendants))
其它节点的获取（了解即可，即查即用）
parent和parents：直接父节点和所有父节点；next_sibling，next_siblings，previous_sibling，previous_siblings：分别表示下一个兄弟节点、下面所有兄弟节点、上一个兄弟节点、上面所有兄弟节点，由于换行符也是一个节点，所有在使用这几个属性时，要注意一下换行符；next_element，next_elements，previous_element，previous_elements：这几个属性分别表示上一个节点或者下一个节点，注意它们不分层次，而是针对所有节点，例如上述代码中div节点的下一个节点是h2，而div节点的兄弟节点是ul。
文档树搜索相关函数
第一个要学习的函数就是 find_all() 函数，原型如下所示：
find_all(name,attrs,recursive,text,limit=None,**kwargs)
-
name：该参数为 tag 标签的名字，例如find_all('p')是查找所有的pprint(soup.find_all('li')) # 获取所有的 li print(soup.find_all(attrs={'class': 'nav'})) # 传入 attrs 属性 print(soup.find_all(re.compile("p"))) # 传递正则，实测效果不理想 print(soup.find_all(['a','p'])) # 传递列表BeautifulSoupBeim Parsen von Daten müssen Sie sich auf einen Parser eines Drittanbieters verlassen. Häufig verwendete Parser und ihre Vorteile sind wie folgt folgt:🎜 - 🎜
Python-Standardbibliothek html.parser: in Python integrierte Standardbibliothek, starke Fehlertoleranz 🎜 - 🎜
lxml-Parser: schnell und fehlertolerant; 🎜 - 🎜
html5lib: die fehlertoleranteste und beste Analysemethode stimmt mit dem Browser überein. 🎜
beautifulsoup4-Bibliothek zu demonstrieren. Der Testcode lautet wie folgt: 🎜print(soup.body.div.find_all(['a','p'],recursive=False)) # 传递列表🎜Verwenden Sie
BeautifulSoup Führen Sie einfache Vorgänge aus, einschließlich der Instanziierung von BS-Objekten, der Ausgabe von Seiten-Tags usw. 🎜<pre class="brush:py;">print(soup.find_all(text=&#39;首页&#39;)) # [&#39;首页&#39;]
print(soup.find_all(text=re.compile("^首"))) # [&#39;首页&#39;]
print(soup.find_all(text=["首页",re.compile(&#39;课&#39;)])) # [&#39;橡皮擦的爬虫课&#39;, &#39;首页&#39;, &#39;专栏课程&#39;]</pre>🎜Wir können Webseiten-Tags direkt über das BeautifulSoup-Objekt aufrufen. Beim Aufrufen von Tags über das BS-Objekt kann beispielsweise nur ein <code>pNachdem wir das gelernt haben, müssen wir die 4 integrierten Objekte in BeautifulSoup verstehen: 🎜<ul class=" list-paddingleft-2">
<li>🎜<code>BeautifulSoup: Das Basisobjekt, das gesamte HTML-Objekt, kann im Allgemeinen als Tag-Objekt angezeigt werden. 🎜
Tag: Tag-Objekt, Tags sind jeder Knoten auf der Webseite. wie Titel, Kopf, p ;🎜NavigableString: Tag-interne Zeichenfolge; 🎜Comment: Kommentarobjekt , Nutzungsszenarien in Crawlern sind nicht gleich viele. 🎜print(soup.find_all(class_ = 'nav')) print(soup.find_all(class_ = 'nav li'))🎜Für die Tag-Objekt, es gibt zwei wichtige Attribute, nämlich
name und attrs🎜print(soup.select('ul[class^="na"]'))🎜Der obige Code zeigt, wie man
name erhält Verwendung von Attributen und attrs-Attributen, wobei das attrs-Attribut ein Wörterbuch erhält und der entsprechende Wert per Schlüssel abgerufen werden kann. 🎜🎜Rufen Sie den Attributwert des Tags ab. In BeautifulSoup können Sie auch die folgende Methode verwenden: 🎜print(soup.select('ul[class*="li"]'))🎜Rufen Sie das
NavigableString-Objekt ab Sie müssen den Text im Tag über den folgenden Code abrufen. 🎜from bs4 import BeautifulSoup
import requests
import logging
logging.basicConfig(level=logging.NOTSET)
def get_html(url, headers) -> None:
try:
res = requests.get(url=url, headers=headers, timeout=3)
except Exception as e:
logging.debug("采集异常", e)
if res is not None:
html_str = res.text
soup = BeautifulSoup(html_str, "html.parser")
imgs = soup.find_all(attrs={'class': 'lazy'})
print("获取到的数据量是", len(imgs))
datas = []
for item in imgs:
name = item.get('alt')
src = item["src"]
logging.info(f"{name},{src}")
# 获取拼接数据
datas.append((name, src))
save(datas, headers)
def save(datas, headers) -> None:
if datas is not None:
for item in datas:
try:
# 抓取图片
res = requests.get(url=item[1], headers=headers, timeout=5)
except Exception as e:
logging.debug(e)
if res is not None:
img_data = res.content
with open("./imgs/{}.jpg".format(item[0]), "wb+") as f:
f.write(img_data)
else:
return None
if __name__ == '__main__':
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
}
url_format = "http://www.9thws.com/#p{}"
urls = [url_format.format(i) for i in range(1, 2)]
get_html(urls[0], headers)🎜Darüber hinaus können Sie auch das Attribut text und die Methode get_text() verwenden, um den Tag-Inhalt abzurufen. 🎜rrreee🎜Sie können den gesamten Text im Tag auch abrufen, indem Sie strings und stripped_strings verwenden. 🎜rrreee🎜Erweiterter Tag-/Knotenselektor zum Durchlaufen des Dokumentbaums🎜🎜Direkter untergeordneter Knoten🎜🎜Direktes untergeordnetes Element des Tag-Objekts (Tag), Sie können contents und verwenden children-Attributerfassung. 🎜rrreee🎜Bitte beachten Sie, dass die beiden oben genannten Attribute die direkten untergeordneten Knoten erhalten, wie z. B. das Nachkommen-Tag span innerhalb des h2-Tags, und dies auch tun nicht getrennt erhalten werden. 🎜🎜Wenn Sie alle Tags abrufen möchten, verwenden Sie das Attribut descendants, das einen Generator zurückgibt, und alle Tags, einschließlich des Textes innerhalb der Tags, werden separat abgerufen. 🎜rrreee🎜Erwerb anderer Knoten (einfach wissen, überprüfen und verwenden)🎜- 🎜
parentundparents code >: direkter übergeordneter Knoten und alle übergeordneten Knoten; 🎜 - 🎜
next_sibling,next_siblings,previous_sibling,previous_siblings: Stellt den nächsten Geschwisterknoten dar, alle darunter liegenden Geschwisterknoten, den vorherigen Geschwisterknoten und alle darüber liegenden Geschwisterknoten. Achten Sie bei der Verwendung dieser Attribute auf das Newline-Zeichen 🎜 - 🎜
next_element,next_elements,previous_element,previous_elements: Diese Attribute repräsentieren jeweils das vorherige Bitte beachten Sie, dass sie nicht hierarchisch sind, sondern für alle Knoten. Im obigen Code ist der nächste Knoten desdiv-Knotens beispielsweiseh2unddiv-Knotens istul. 🎜
find_all(), der Prototyp ist wie folgt folgt Anzeige:🎜rrreee- 🎜
name: Dieser Parameter ist der Name des Tag-Tags, zum Beispielfind_all ('p')soll allep-Tags finden und kann Tag-Namenszeichenfolgen, reguläre Ausdrücke und Listen akzeptieren 🎜 attrs：传入的属性，该参数可以字典的形式传入，例如attrs={'class': 'nav'}，返回的结果是 tag 类型的列表；
上述两个参数的用法示例如下：
print(soup.find_all('li')) # 获取所有的 li
print(soup.find_all(attrs={'class': 'nav'})) # 传入 attrs 属性
print(soup.find_all(re.compile("p"))) # 传递正则，实测效果不理想
print(soup.find_all(['a','p'])) # 传递列表recursive：调用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，测试代码如下：
print(soup.body.div.find_all(['a','p'],recursive=False)) # 传递列表
text：可以检索文档中的文本字符串内容，与name参数的可选值一样，text参数接受标签名字符串、正则表达式、 列表；
print(soup.find_all(text='首页')) # ['首页']
print(soup.find_all(text=re.compile("^首"))) # ['首页']
print(soup.find_all(text=["首页",re.compile('课')])) # ['橡皮擦的爬虫课', '首页', '专栏课程']limit：可以用来限制返回结果的数量；kwargs：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 tag 的属性来搜索。这里要按class属性搜索，因为class是 python 的保留字，需要写作class_，按class_查找时，只要一个 CSS 类名满足即可，如需多个 CSS 名称，填写顺序需要与标签一致。
print(soup.find_all(class_ = 'nav')) print(soup.find_all(class_ = 'nav li'))
还需要注意网页节点中，有些属性在搜索中不能作为kwargs参数使用，比如html5 中的 data-*属性，需要通过attrs参数进行匹配。
与
find_all()方法用户基本一致的其它方法清单如下：
find()：函数原型find( name , attrs , recursive , text , **kwargs )，返回一个匹配元素；find_parents()，find_parent()：函数原型find_parent(self, name=None, attrs={}, **kwargs)，返回当前节点的父级节点；find_next_siblings()，find_next_sibling()：函数原型find_next_sibling(self, name=None, attrs={}, text=None, **kwargs)，返回当前节点的下一兄弟节点；find_previous_siblings()，find_previous_sibling()：同上，返回当前的节点的上一兄弟节点；find_all_next()，find_next()，find_all_previous () ，find_previous ()：函数原型find_all_next(self, name=None, attrs={}, text=None, limit=None, **kwargs)，检索当前节点的后代节点。
CSS 选择器 该小节的知识点与pyquery有点撞车，核心使用select()方法即可实现，返回数据是列表元组。
通过标签名查找，
soup.select("title")；通过类名查找，
soup.select(".nav")；通过 id 名查找，
soup.select("#content")；通过组合查找，
soup.select("div#content")；通过属性查找，
soup.select("div[id='content'")，soup.select("a[href]")；
在通过属性查找时，还有一些技巧可以使用，例如：
^=：可以获取以 XX 开头的节点：
print(soup.select('ul[class^="na"]'))
*=：获取属性包含指定字符的节点：
print(soup.select('ul[class*="li"]'))
二、爬虫案例
BeautifulSoup 的基础知识掌握之后，在进行爬虫案例的编写，就非常简单了，本次要采集的目标网站 ，该目标网站有大量的艺术二维码，可以供设计大哥做参考。
下述应用到了 BeautifulSoup 模块的标签检索与属性检索，完整代码如下：
from bs4 import BeautifulSoup
import requests
import logging
logging.basicConfig(level=logging.NOTSET)
def get_html(url, headers) -> None:
try:
res = requests.get(url=url, headers=headers, timeout=3)
except Exception as e:
logging.debug("采集异常", e)
if res is not None:
html_str = res.text
soup = BeautifulSoup(html_str, "html.parser")
imgs = soup.find_all(attrs={'class': 'lazy'})
print("获取到的数据量是", len(imgs))
datas = []
for item in imgs:
name = item.get('alt')
src = item["src"]
logging.info(f"{name},{src}")
# 获取拼接数据
datas.append((name, src))
save(datas, headers)
def save(datas, headers) -> None:
if datas is not None:
for item in datas:
try:
# 抓取图片
res = requests.get(url=item[1], headers=headers, timeout=5)
except Exception as e:
logging.debug(e)
if res is not None:
img_data = res.content
with open("./imgs/{}.jpg".format(item[0]), "wb+") as f:
f.write(img_data)
else:
return None
if __name__ == '__main__':
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
}
url_format = "http://www.9thws.com/#p{}"
urls = [url_format.format(i) for i in range(1, 2)]
get_html(urls[0], headers)本次代码测试输出采用的 logging 模块实现，效果如下图所示。 测试仅采集了 1 页数据，如需扩大采集范围，只需要修改 main 函数内页码规则即可。 ==代码编写过程中，发现数据请求是类型是 POST，数据返回格式是 JSON，所以本案例仅作为 BeautifulSoup 的上手案例吧==
Das obige ist der detaillierte Inhalt vonSo verwenden Sie das Python-Beautifulsoup4-Modul. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
In Verbindung stehende Artikel
Mehr sehen- Detaillierte Erläuterung von Python-bezogenen Operationsbeispielen auf JSON
- Python Fabric implementiert die Remote-Bereitstellung
- So implementieren Sie den SSH-Fernzugriff mit Python Paramiko
- Python Fabric implementiert Beispiele für Remote-Betrieb und -Bereitstellung
- Python Fabric implementiert die Remote-Bereitstellung