Python爬虫中BeautifulSoup库剖析

这期内容当中小编将会给大家带来有关Python爬虫中BeautifulSoup库剖析，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

专注于为中小企业提供网站设计、网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业丹棱免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了近1000家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

BeautifulSoup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库，它能够将 HTML 或 XML 转化为可定位的树形结构，并提供了导航、查找、修改功能，它会自动将输入文档转换为 Unicode 编码，输出文档转换为 UTF-8 编码。

BeautifulSoup 支持 Python 标准库中的 HTML 解析器和一些第三方的解析器，默认使用 Python 标准库中的 HTML 解析器，默认解析器效率相对比较低，如果需要解析的数据量比较大或比较频繁，推荐使用更强、更快的 lxml 解析器。

1 安装

（1）BeautifulSoup 安装

如果使用 Debain 或 ubuntu 系统，可以通过系统的软件包管理来安装：apt-get install Python-bs4，如果无法使用系统包管理安装，可以使用 pip install beautifulsoup4 来安装。

（2）第三方解析器安装

如果需要使用第三方解释器 lxml 或 html5lib，可是使用如下命令进行安装：apt-get install Python-lxml(html5lib) 和 pip install lxml(html5lib)。

看一下主要解析器和它们的优缺点：

2 快速上手

将一段文档传入 BeautifulSoup 的构造方法，就能得到一个文档的对象，可以传入一段字符串或一个文件句柄，示例如下：

（1）使用字符串

我们以如下一段 HTML 字符串为例：

html = '''



    
    


Hello BeautifulSoup


'''

使用示例如下：

from bs4 import BeautifulSoup
#使用默认解析器
soup = BeautifulSoup(html,'html.parser')
#使用 lxml 解析器
soup = BeautifulSoup(html,'lxml')

（2）本地文件

还以上面那段 HTML 为例，将上面 HTML 字符串放在 index.html 文件中，使用示例如下：

#使用默认解析器
soup = BeautifulSoup(open('index.html'),'html.parser')
#使用 lxml 解析器
soup = BeautifulSoup(open('index.html'),'lxml')

2.1 对象的种类

BeautifulSoup 将 HTML 文档转换成一个树形结构，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 对象

Tag 对象与 HTML 或 XML 原生文档中的 tag 相同，示例如下：

soup = BeautifulSoup('','lxml')
tag = soup.title
tp =type(tag)
print(tag)
print(tp)
#输出结果
'''


'''

Tag 有很多方法和属性，这里先看一下它的的两种常用属性：name 和 attributes。

我们可以通过 .name 来获取 tag 的名字，示例如下：

soup = BeautifulSoup('','lxml')
tag = soup.title
print(tag.name)
#输出结果
#title

我们还可以修改 tag 的 name，示例如下：

tag.name = 'title1'
print(tag)
#输出结果
#BeautifulSoup学习

一个 tag 可能有很多个属性，先看一它的 class 属性，其属性的操作方法与字典相同，示例如下：

soup = BeautifulSoup('','lxml')
tag = soup.title
cls = tag['class']
print(cls)
#输出结果
#['tl']

我们还可以使用 .attrs 来获取，示例如下：

ats = tag.attrs
print(ats)
#输出结果
#{'class': ['tl']}

tag 的属性可以被添加、修改和删除，示例如下：

#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 对象

NavigableString 类是用来包装 tag 中的字符串内容的，使用 .string 来获取字符串内容，示例如下：

str = tag.string

可以使用 replace_with() 方法将原有字符串内容替换成其它内容 ，示例如下：

tag.string.replace_with('BeautifulSoup')

（3）BeautifulSoup 对象

BeautifulSoup 对象表示的是一个文档的全部内容，它并不是真正的 HTML 或 XML 的 tag，因此它没有 name 和 attribute 属性，为方便查看它的 name 属性，BeautifulSoup 对象包含了一个值为 [document] 的特殊属性 .name，示例如下：

soup = BeautifulSoup('','lxml')
print(soup.name)
#输出结果
#[document]

（4）Comment 对象

Comment 对象是一个特殊类型的 NavigableString 对象，它会使用特殊的格式输出，看一下例子：

soup = BeautifulSoup('','html.parser')
comment = soup.title.prettify()
print(comment)
#输出结果
'''

'''

我们前面看的例子中 tag 中的字符串内容都不是注释内容，现在将字符串内容换成注释内容，我们来看一下效果：

soup = BeautifulSoup('','html.parser')
str = soup.title.string
print(str)
#输出结果
#Hello BeautifulSoup

通过结果我们发现注释符号 被自动去除了，这一点我们要注意一下。

2.2 搜索文档树

BeautifulSoup 定义了很多搜索方法，我们来具体看一下。

（1）find_all()

find_all() 方法搜索当前 tag 的所有 tag 子节点，方法详细如下：find_all(name=None, attrs={}, recursive=True, text=None,limit=None, **kwargs)，来具体看一下各个参数。

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，示例如下：

soup = BeautifulSoup('','html.parser')
print(soup.find_all('title'))
#输出结果
#[]

attrs 参数定义一个字典参数来搜索包含特殊属性的 tag，示例如下：

soup = BeautifulSoup('','html.parser')
soup.find_all(attrs={"class": "tl"})

调用 find_all() 方法时，默认会检索当前 tag 的所有子孙节点，通过设置参数 recursive=False，可以只搜索 tag 的直接子节点，示例如下：

soup = BeautifulSoup('','html.parser')
print(soup.find_all('title',recursive=False))
#输出结果
#[]

通过 text 参数可以搜搜文档中的字符串内容，它接受字符串、正则表达式、列表、True，示例如下：

from bs4 import BeautifulSoup
import re
soup = BeautifulSoup('myHead','html.parser')
#字符串
soup.find_all(text='BeautifulSoup')
#正则表达式
soup.find_all(soup.find_all(text=re.compile('title')))
#列表
soup.find_all(soup.find_all(text=['head','title']))
#True
soup.find_all(text=True)

limit 参数与 SQL 中的 limit 关键字类似，用来限制搜索的数据，示例如下：

soup = BeautifulSoup('ElsieElsie','html.parser')
soup.find_all('a', limit=1)

我们经常见到 Python 中 *arg 和 **kwargs 这两种可变参数，*arg 表示非键值对的可变数量的参数，将参数打包为 tuple 传递给函数； **kwargs 表示关键字参数，参数是键值对形式的，将参数打包为 dict 传递给函数。

使用多个指定名字的参数可以同时过滤 tag 的多个属性，如：

soup = BeautifulSoup('ElsieElsie','html.parser')
soup.find_all(href=re.compile("elsie"),id='link1')

有些 tag 属性在搜索不能使用，如 HTML5 中的 data-* 属性，示例如下：

soup = BeautifulSoup('foo!