详细了解 BeautifulSoup 爬虫
前面第一篇文章是关于 BeautifulSoup 爬虫的基础知识详解第一部分,主要介绍了 BeautifulSoup 爬虫的安装过程及简介,同时又快速学习了利用 BeautifulSoup 技术定位标签、获取标签内容的相关知识点,今天的文章将深入地介绍 BeautifulSoup 技术的详细语法及其相关用法。
1.BeautifulSoup 对象
BeautifulSoup 将复杂的 HTML 文档转换成一个树形结构,每个节点都是 Python 对象,BeautifulSoup 官方文档将所有的对象归纳为以下四种:
Tag
NavigableString
BeautifulSoup
Comment
接下来详细介绍 BeautifulSoup 的四个对象:
Tag
Tag 对象表示 XML 或 HTML 文档中的标签,通俗地讲就是 HTML 中的一个个标签,该对象与 HTML 或 XML 原生文档中的标签相同。Tag 有很多方法和属性,BeautifulSoup 中定义为 soup.Tag,其中 Tag 为 HTML 中的标签,比如 a、title 等,其结果返回完整的标签内容,包括标签的属性和内容等。例如以下实例就是 Tag:
<title>BeautifulSoup 技术详解</title>
<p class="title">Hello</p>
<p class="con">Python 技术</p>
以上的 HTML 代码中,title、p 都是标签,起始标签和结束标签之间加上内容就是 Tag。标签获取方法代码如下:
#创建本地文件soup对象
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
#获取a标签
a = soup.a #Tag
print('a标签的内容是:', a)
除此之外,Tag 中最重要的属性是 name 和 attrs 。
name 属性用于获取文档树的标签名字,如果想获取 title 标签的名字,只要使用 soup.title.name 代码即可,对于内部标签,输出的值便为标签本身的名称。
<a href="https://www.baidu.com" class="xiaodu" id="l1">ddd</a>
以上实例存在两个属性,一个是class属性,对应的值为“xiaodu”;一个是id属性,对应的值为“l1”。Tag属性操作方法与Python字典相同,获取p标签的所有属性代码如下,得到一个字典类型的值,它获取的是第一个段落 p 的属性及属性值。
# 获取属性
print(soup.p.attrs)
# 获取属性值
print(soup.a['class'])
#[u'xiaodu']
print(soup.a.get('class'))
#[u'l1']
BeautifulSoup 每个标签 tag 可能有很多个属性,可以通过 “.attrs” 获取属性,tag 的属性可以被修改、删除或添加。
NavigableString
NavigableString 也叫可遍历的字符串,字符串常被包含在 tag 内,BeautifulSoup 用 NavigableString 类来包装tag中的字符串,
BeautifulSoup 用 NavigableString 类来包装 tag 中的字符串,NavigableString 表示可遍历的字符串。一个 NavigableString 字符串与 Python 中的 Unicode 字符串相同,并且支持包含在遍历文档树和搜索文档树中的一些特性。下述代码可查看 NavigableString 的类型。
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
print(type(tag.string))
输出结果如下:
<class 'bs4.element.NavigableString'>
BeautifulSoup
BeautifulSoup
对象表示的是一个文档的全部内容,通常情况下把它当作 Tag
对象,该对象支持遍历文档树和搜索文档树中描述的大部分的方法,下面代码是输出 soup
对象的类型,输出结果就是 BeautifulSoup
对象类型。
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
print(type(soup))
输出结果如下:
<class 'bs4.BeautifulSoup'>
因为 BeautifulSoup 对象并不是真正的 HTML 或 XML 的标签 tag,所以它没有 name 和 attribute 属性。但有时查看它的.name
属性是很方便的,故 BeautifulSoup 对象包含了一个值为[document]
的特殊属性soup.name
。下述代码即是输出 BeautifulSoup 对象的 name 属性,其值为 [document]。
Comment
Comment 对象是一个特殊类型的 NavigableString 对象,它用于处理注释对象。下面这个示例代码用于读取注释内容,代码如下:
markup = "<b><!-- hello comment code --></b>"
soup = BeautifulSoup(markup, "html.parser")
comment = soup.b.string
print(type(comment))
print(comment)
if __name__ == '__main__':
mark()
输出结果如下:
<class 'bs4.BeautifulSoup'>
<class 'bs4.element.Comment'>
hello comment code
2.遍历文档树
以上内容讲解完 4 个对象后,下面的知识讲解遍历文档树和搜索文档树以及 BeatifulSoup 常用的函数。在 BeautifulSoup 中,一个标签(Tag)可能包含多个字符串或其它的标签,这些称为这个标签的子标签。
咱们继续用以下超文本协议来讲解:
<!DOCTYPE html>
<html lang="en">
<head>
<title>BeautifulSoup 技术详解</title>
</head>
<body>
<p class="title">Hello</p>
<p class="con">Python 技术</p>
<a href="https://www.baidu.com" class="xiaodu" id="l1">ddd</a>
</body>
</html>
一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点,Beautiful Soup 提供了许多操作和遍历子节点的属性。
例如获取标签子节点内容:
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
print(soup.head.contents)
输出结果如下:
['\n', <title>BeautifulSoup 技术详解</title>, '\n']
注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点。
节点内容
如果标签只有一个子节点,需要获取该子节点的内容,则需要使用 string 属性,以此输出节点的内容:
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
print(soup.head.string)
print(soup.title.string)
输出结果如下:
None
BeautifulSoup
调用 parent 属性定位父节点,如果需要获取节点的标签名则使用 parent.name。实例如下:
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
p = soup.p
print(p.parent)
print(p.parent.name)
content = soup.head.title.string
print(content.parent)
print(content.parent.name)
输出结果如下:
<body>
<p class="title">Hello</p>
<p class="con">Python 技术</p>
<a class="xiaodu" href="https://www.baidu.com" id="l1">ddd</a>
</body>
body
<title>BeautifulSoup 技术详解</title>
title
兄弟节点是指和本节点位于同一级的节点,其中 next_sibling
属性是获取该节点的下一个兄弟节点,previous_sibling
则与之相反,取该节点的上一个兄弟节点,如果节点不存在,则返回 None。
print(soup.p.next_sibling)
print(soup.p.prev_sibling)
调用属性 next_element
可以获取下一个节点,调用属性 previous_element
可以获取上一个节点,代码举例如下:
print(soup.p.next_element)
print(soup.p.previous_element)
3.搜索文档树
BeautifulSoup 定义了很多搜索方法,例如 find()
和 find_all()
; 但find_all()
是最常用的一种方法,而更多的方法与遍历文档树类似,包括父节点、子节点、兄弟节点等,使用find_all()方法的代码如下:
# coding=utf-8
from bs4 import BeautifulSoup
soup = BeautifulSoup(open('test.html','rb'), "html.parser")
tag = soup.title
urls = soup.find_all('p')
for u in urls:
print(u)
输出结果如下:
<p class="title">Hello</p>
<p class="con">Python 技术</p>
使用 find_all()
可以查找到想要查找的文档内容。
总结
至此,阿酱理解范围内的 BeautifulSoup 基础知识及用法基本上已经概述完毕,有差池的地方希望大家海涵,我们一起努力前行。