検索

ホームページ >バックエンド開発 >Python チュートリアル >Python クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する

Python クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する

WBOY
WBOY転載
2022-07-12 16:56:552656ブラウズ

この記事では、Python に関する関連知識を提供します。主にクローラー パーサー BeautifulSoup4 に関連する問題を整理します。Beautiful Soup は、HTML または XML ファイルからデータを抽出できる Python です。ライブラリを実装できます。お気に入りのコンバーターを使用してドキュメントのナビゲーション、検索、変更を行う通常の方法を見てみましょう。皆さんのお役に立てれば幸いです。

Python クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する

[関連する推奨事項: Python3 ビデオ チュートリアル ]

1. BeautifulSoup4 ライブラリの紹介

1.はじめに

Beautiful Soup は、HTML または XML ファイルからデータを抽出できる Python ライブラリです。お気に入りのコンバータを通じて、ドキュメントのナビゲーション、検索、変更の通常の方法を実装できます。Beautiful Soup は、作業時間を数時間、場合によっては数日節約できます。

BeautifulSoup4 は Web ページを DOM ツリーに変換します:
Python クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する

2. モジュールをダウンロードします

1.ウィンドウ コンピューターwin キー R に次のように入力します: cmd

Python クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する

##2. Beautifulsoup4## をインストールします。 #, 対応する pip コマンド を入力します: pip install beautifulsoup4 . 表示されるバージョンは既にインストールされており、インストールは正常に完了しました。 3. ガイド パッケージ

form bs4 import BeautifulSoup

3. 解析ライブラリPython クローラー パーサー BeautifulSoup4 を 1 つの記事で理解する
BeautifulSoup は、解析時に実際にパーサーに依存します。Python 標準ライブラリの HTML パーサーのサポートに加えて、いくつかの機能もサポートしています。サードパーティのパーサー (lxml など):

パーサー

使用法利点##Python 標準ライブラリBeautifulSoup(html,'html.parser')Python の組み込み標準ライブラリ、実行速度 中程度、強力なドキュメント フォールト トレランスPython 2.7.3 および Python3.2.2 より前のバージョンはドキュメント フォールト トレランスが低いlxml HTML 解析ライブラリ高速、強力なドキュメントフォールトトレランスC言語ライブラリをインストールする必要がありますBeautifulSoup(html,'xml'高速、XML をサポートする唯一のパーサー最大の欠点許容範囲、ブラウザー方式 ドキュメントを解析し、HTMLS 形式でドキュメントを生成します低速、外部拡張機能に依存しません
欠点
BeautifulSoup(html,'lxml')
#lxml XML 解析ライブラリ
Requires C 言語ライブラリのインストール htm5lib 解析ライブラリ ##BeautifulSoup(html,'htm5llib')
<p>对于我们来说，我们最常使用的解析器是<code>lxml HTML解析器，其次是html5lib.

二、上手操作

1. 基础操作

1. 读取HTML字符串：

from bs4 import BeautifulSoup

html = '''
<p>
    </p><p>
        </p><h4>Hello</h4>
    
    <p>
        </p>
                
  • Foo
    •             
  • Bar
    •             
  • Jay
    •         
        
                
  • Foo
    •                 百度官网             
  • Bar
    •         
       '''# 创建对象soup = BeautifulSoup(html, 'lxml')

2. 读取HTML文件：

from bs4 import BeautifulSoup

soup = BeautifulSoup(open('index.html'),'lxml')

3. 基本方法

from bs4 import BeautifulSoup

html = '''
<p>
    </p><p>
        </p><h4>Hello</h4>
    
    <p>
        </p>
                
  • Foo
    •             
  • Bar
    •             
  • Jay
    •         
        
                
  • Foo
    •                 百度官网             
  • Bar
    •         
       '''# 创建对象soup = BeautifulSoup(html, 'lxml')# 缩进格式print(soup.prettify())# 获取title标签的所有内容print(soup.title)# 获取title标签的名称print(soup.title.name)# 获取title标签的文本内容print(soup.title.string)# 获取head标签的所有内容print(soup.head)# 获取第一个p标签中的所有内容print(soup.p)# 获取第一个p标签的id的值print(soup.p["id"])# 获取第一个a标签中的所有内容print(soup.a)# 获取所有的a标签中的所有内容print(soup.find_all("a"))# 获取id="u1"print(soup.find(id="u1"))# 获取所有的a标签，并遍历打印a标签中的href的值for item in soup.find_all("a"):     print(item.get("href"))# 获取所有的a标签，并遍历打印a标签的文本值for item in soup.find_all("a"):     print(item.get_text())

2. 对象种类

Beautiful Soup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通俗点讲就是HTML中的一个个标签，例如：

soup = BeautifulSoup('<b>Extremely bold</b>','lxml')
tag = soup.b
print(tag)
print(type(tag))

输出结果：

<b>Extremely bold</b>
<class></class>

Tag有很多方法和属性,在 遍历文档树 和 搜索文档树 中有详细解释.现在介绍一下tag中最重要的属性: name和attributes：

name属性：

print(tag.name)
# 输出结果：b
# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = "b1"
print(tag)
# 输出结果：<b1>Extremely bold</b1>

Attributes属性：

# 取clas属性
print(tag['class'])

# 直接”点”取属性, 比如: .attrs :
print(tag.attrs)

tag 的属性可以被添加、修改和删除：

# 添加 id 属性
tag['id'] = 1

# 修改 class 属性
tag['class'] = 'tl1'

# 删除 class 属性
del tag['class']

（2）NavigableString：用.string获取标签内部的文字：

print(soup.b.string)print(type(soup.b.string))

（3）BeautifulSoup：表示的是一个文档的内容，可以获取它的类型，名称，以及属性：

print(type(soup.name))
# <type>

print(soup.name)
# [document]

print(soup.attrs)
# 文档本身的属性为空</type>

（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

print(soup.b)

print(soup.b.string)

print(type(soup.b.string))

3. 搜索文档树

1.find_all(name, attrs, recursive, text, **kwargs)

（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

  • 匹配字符串：查找与字符串完整匹配的内容,用于查找文档中所有的<a></a>标签

    a_list = soup.find_all("a")print(a_list)

  • 匹配正则表达式：如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容

    # 返回所有表示和<b>标签for tag in soup.find_all(re.compile("^b")):
    print(tag.name)</b>

  • 匹配列表：如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回

    # 返回所有所有<p>标签和<a>标签:soup.find_all(["p", "a"])</a></p>

（2）kwargs参数

soup.find_all(id='link2')

（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

# 匹配字符串
soup.find_all(text="a")

# 匹配正则
soup.find_all(text=re.compile("^b"))

# 匹配列表
soup.find_all(text=["p", "a"])

4. css选择器

我们在使用BeautifulSoup解析库时，经常会结合CSS选择器来提取数据。

注意：以下讲解CSS选择器只选择标签，至于获取属性值和文本内容我们后面再讲。

1. 根据标签名查找：比如写一个 li 就会选择所有li 标签, 不过我们一般不用，因为我们都是精确到标签再提取数据的

from bs4 import BeautifulSoup

html = '''
<p>
    </p><p>
        </p><h4>Hello</h4>
    
    <p>
        </p>
                
  • Foo
    •             
  • Bar
    •             
  • Jay
    •         
        
                
  • Foo
    •                 百度官网             
  • Bar
    •         
       '''# 创建对象soup = BeautifulSoup(html, 'lxml')# 1. 根据标签名查找：查找li标签print(soup.select("li"))

输出结果：

[
  • Foo
    • , 
  • Bar
    • , 
  • Jay
    • , 
  • Foo
    • , 
  • Bar
    • ]

    2. 根据类名class查找。.1ine, 即一个点加line，这个表达式选的是class= "line "的所有标签，".”代表class

    print(soup.select(".panel_body"))

    输出结果：

    

      

    • Foo
      • 

    • Bar
      • 

    
]
    3. 根据id查找。#box,即一个#和box表示选取id-”box "的所有标签，“#”代表id
    

    print(soup.select("#list-1"))
    

    输出结果：
    

    [
    

      

    • Foo
      • 

    • Bar
      • 

    • Jay
      • 

    ]
    4. 根据属性的名字查找。class属性和id属性较为特殊，故单独拿出来定义一个". "和“”来表示他们。
    

    比如：input[ name=“username”]这个表达式查找name= "username "的标签，此处注意和xpath语法的区别
    

    print(soup.select('ul[ name="element"]'))
    

    输出结果：
    

    [
    

      

    • Foo
      • 

    • Bar
      • 

    • Jay
      • 

    ]
    5. 标签+类名或id的形式。
    

    # 查找id为list-1的ul标签
print(soup.select('ul#list-1'))
print("-"*20)
# 查找class为list的ul标签
print(soup.select('ul.list'))
    

    输出结果：
    

    [
    

      

    • Foo
      • 

    • Bar
      • 

    • Jay
      • 

    ]
--------------------
[
      

    • Foo
      • 

    • Bar
      • 

    • Jay
      • 

    , 
      

    • Foo
      • 

    • Bar
      • 

    ]
    6. 查找直接子元素
    

    # 查找id="list-1"的标签下的直接子标签liprint(soup.select('#list-1>li'))
    

    输出结果：
    

    [
    

  • Foo
    • , 
  • Bar
    • , 
  • Jay
    • ]
    7. 查找子孙标签
    

    # .panel_body和li之间是一个空格，这个表达式查找id=”.panel_body”的标签下的子或孙标签liprint(soup.select('.panel_body li'))
    

    输出结果：
    

    [
    

  • Foo
    • , 
  • Bar
    • , 
  • Jay
    • , 
  • Foo
    • , 
  • Bar
    • ]
    8. 取某个标签的属性
    

    # 1. 先取到<p>p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下的href属性print(p.select('a')[0]["href"])</p>
    

    输出结果：
    

    https://www.baidu.com
    

    9. 获取文本内容有四种方式：
    

    (a) string：获得某个标签下的文本内容，强调-一个标签，不含嵌我。 返回-个字符串
    

    # 1. 先取到<p>p = soup.select(".panel_body")[0]# 2. 再去下面的a标签下print(p.select('a')[0].string)</p>
    

    输出结果：
    

    百度官网
    

    (b) strings：获得某个标签下的所有文本内容，可以嵌套。返回-一个生成器，可用list(生成器)转换为列表
    

    print(p.strings)print(list(p.strings))
    

    输出结果：
    

    <generator>['\n', '\n', 'Foo', '\n', 'Bar', '\n', 'Jay', '\n', '\n', '\n', 'Foo', '\n', '百度官网', '\n', 'Bar', '\n', '\n']</generator>
    

    （c）stripped.strings：跟(b)差不多，只不过它会去掉每个字符串头部和尾部的空格和换行符
    

    print(p.stripped_strings)print(list(p.stripped_strings))
    

    输出结果：
    

    <generator>['Foo', 'Bar', 'Jay', 'Foo', '百度官网', 'Bar']</generator>
    

    (d) get.text():获取所有字符串，含嵌套. 不过会把所有字符串拼接为一个，然后返回
     注意2:
     前3个都是属性，不加括号;最后一个是函数，加括号。
    

    print(p.get_text())
    

    输出结果：
    

    Foo
Bar
Jay


Foo
百度官网
Bar
    

    【相关推荐：Python3视频教程 】
    		

    
    

    以上がPython クローラー パーサー BeautifulSoup4 を 1 つの記事で理解するの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
    声明：
    この記事はcsdn.netで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
    前の記事：Python でリストと辞書の前にアスタリスク (**) を追加する方法について説明します。次の記事：Python でリストと辞書の前にアスタリスク (**) を追加する方法について説明します。
    関連記事
    続きを見る