中文亚洲精品无码_熟女乱子伦免费_人人超碰人人爱国产_亚洲熟妇女综合网

當(dāng)前位置: 首頁 > news >正文

企業(yè)網(wǎng)站設(shè)計中應(yīng)注意產(chǎn)品發(fā)布功能優(yōu)化/種子搜索引擎 磁力天堂

企業(yè)網(wǎng)站設(shè)計中應(yīng)注意產(chǎn)品發(fā)布功能優(yōu)化,種子搜索引擎 磁力天堂,烏魯木齊廣告設(shè)計制作,做營銷型網(wǎng)站爬蟲專欄:http://t.csdnimg.cn/WfCSx 使用 Beautiful Soup 前面介紹了正則表達(dá)式的相關(guān)用法,但是一旦正則表達(dá)式寫的有問題,得到的可能就不是我們想要的結(jié)果了。而且對于一個網(wǎng)頁來說,都有一定的特殊結(jié)構(gòu)和層級關(guān)系,…

?爬蟲專欄:http://t.csdnimg.cn/WfCSx

使用 Beautiful Soup

前面介紹了正則表達(dá)式的相關(guān)用法,但是一旦正則表達(dá)式寫的有問題,得到的可能就不是我們想要的結(jié)果了。而且對于一個網(wǎng)頁來說,都有一定的特殊結(jié)構(gòu)和層級關(guān)系,而且很多節(jié)點(diǎn)都有 id 或 class 來作區(qū)分,所以借助它們的結(jié)構(gòu)和屬性來提取不也可以嗎?

這一節(jié)中,我們就來介紹一個強(qiáng)大的解析工具 Beautiful Soup,它借助網(wǎng)頁的結(jié)構(gòu)和屬性等特性來解析網(wǎng)頁。有了它,我們不用再去寫一些復(fù)雜的正則表達(dá)式,只需要簡單的幾條語句,就可以完成網(wǎng)頁中某個元素的提取。

廢話不多說,接下來就來感受一下 Beautiful Soup 的強(qiáng)大之處吧。

1. Beautiful Soup 簡介

簡單來說,BeautifulSoup 就是 Python 的一個 HTML 或 XML 的解析庫,我們可以用它來方便地從網(wǎng)頁中提取數(shù)據(jù),官方的解釋如下:

BeautifulSoup 提供一些簡單的、Python 式的函數(shù)用來處理導(dǎo)航、搜索、修改分析樹等功能。它是一個工具箱,通過解析文檔為用戶提供需要抓取的數(shù)據(jù),因?yàn)楹唵?#xff0c;所以不需要多少代碼就可以寫出一個完整的應(yīng)用程序。 BeautifulSoup 自動將輸入文檔轉(zhuǎn)換為 Unicode 編碼,輸出文檔轉(zhuǎn)換為 utf-8 編碼。你不需要考慮編碼方式,除非文檔沒有指定一個編碼方式,這時你僅僅需要說明一下原始編碼方式就可以了。 BeautifulSoup 已成為和 lxml、html5lib 一樣出色的 Python 解釋器,為用戶靈活地提供不同的解析策略或強(qiáng)勁的速度。

所以說,利用它可以省去很多煩瑣的提取工作,提高了解析效率。

2. 準(zhǔn)備工作

在開始之前,請確保已經(jīng)正確安裝好了 Beautiful Soup 和 lxml,如果沒有安裝,可以參考第 1 章的內(nèi)容。

3. 解析器

Beautiful Soup 在解析時實(shí)際上依賴解析器,它除了支持 Python 標(biāo)準(zhǔn)庫中的 HTML 解析器外,還支持一些第三方解析器(比如 lxml)。列出了 Beautiful Soup 支持的解析器。

Beautiful Soup 支持的解析器

解析器使用方法優(yōu)勢劣勢
Python 標(biāo)準(zhǔn)庫BeautifulSoup(markup, "html.parser")Python 的內(nèi)置標(biāo)準(zhǔn)庫、執(zhí)行速度適中 、文檔容錯能力強(qiáng)Python 2.7.3 or 3.2.2) 前的版本中文容錯能力差
LXML HTML 解析器BeautifulSoup(markup, "lxml")速度快、文檔容錯能力強(qiáng)需要安裝 C 語言庫
LXML XML 解析器BeautifulSoup(markup, "xml")速度快、唯一支持 XML 的解析器需要安裝 C 語言庫
html5libBeautifulSoup(markup, "html5lib")最好的容錯性、以瀏覽器的方式解析文檔、生成 HTML5 格式的文檔速度慢、不依賴外部擴(kuò)展

通過以上對比可以看出,lxml 解析器有解析 HTML 和 XML 的功能,而且速度快,容錯能力強(qiáng),所以推薦使用它。

如果使用 lxml,那么在初始化 Beautiful Soup 時,可以把第二個參數(shù)改為 lxml 即可:

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)

在后面,Beautiful Soup 的用法實(shí)例也統(tǒng)一用這個解析器來演示。

4. 基本使用

下面首先用實(shí)例來看看 Beautiful Soup 的基本用法:

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)

運(yùn)行結(jié)果:

<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>and<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p></body>
</html>
The Dormouse's story

這里首先聲明變量 html,它是一個 HTML 字符串。但是需要注意的是,它并不是一個完整的 HTML 字符串,因?yàn)?body 和 html 節(jié)點(diǎn)都沒有閉合。接著,我們將它當(dāng)作第一個參數(shù)傳給 BeautifulSoup 對象,該對象的第二個參數(shù)為解析器的類型(這里使用 lxml),此時就完成了 BeaufulSoup 對象的初始化。然后,將這個對象賦值給 soup 變量。

接下來,就可以調(diào)用 soup 的各個方法和屬性解析這串 HTML 代碼了。

首先,調(diào)用 prettify() 方法。這個方法可以把要解析的字符串以標(biāo)準(zhǔn)的縮進(jìn)格式輸出。這里需要注意的是,輸出結(jié)果里面包含 body 和 html 節(jié)點(diǎn),也就是說對于不標(biāo)準(zhǔn)的 HTML 字符串 BeautifulSoup,可以自動更正格式。這一步不是由 prettify() 方法做的,而是在初始化 BeautifulSoup 時就完成了。

然后調(diào)用 soup.title.string,這實(shí)際上是輸出 HTML 中 title 節(jié)點(diǎn)的文本內(nèi)容。所以,soup.title 可以選出 HTML 中的 title 節(jié)點(diǎn),再調(diào)用 string 屬性就可以得到里面的文本了,所以我們可以通過簡單調(diào)用幾個屬性完成文本提取,這是不是非常方便?

5. 節(jié)點(diǎn)選擇器

直接調(diào)用節(jié)點(diǎn)的名稱就可以選擇節(jié)點(diǎn)元素,再調(diào)用 string 屬性就可以得到節(jié)點(diǎn)內(nèi)的文本了,這種選擇方式速度非常快。如果單個節(jié)點(diǎn)結(jié)構(gòu)層次非常清晰,可以選用這種方式來解析。

選擇元素

下面再用一個例子詳細(xì)說明選擇元素的方法:

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)
print(soup.p)

運(yùn)行結(jié)果:

<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story
<head><title>The Dormouse's story</title></head>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

這里依然選用剛才的 HTML 代碼,首先打印輸出 title 節(jié)點(diǎn)的選擇結(jié)果,輸出結(jié)果正是 title 節(jié)點(diǎn)加里面的文字內(nèi)容。接下來,輸出它的類型,是 bs4.element.Tag 類型,這是 Beautiful Soup 中一個重要的數(shù)據(jù)結(jié)構(gòu)。經(jīng)過選擇器選擇后,選擇結(jié)果都是這種 Tag 類型。Tag 具有一些屬性,比如 string 屬性,調(diào)用該屬性,可以得到節(jié)點(diǎn)的文本內(nèi)容,所以接下來的輸出結(jié)果正是節(jié)點(diǎn)的文本內(nèi)容。

接下來,我們又嘗試選擇了 head 節(jié)點(diǎn),結(jié)果也是節(jié)點(diǎn)加其內(nèi)部的所有內(nèi)容。最后,選擇了 p 節(jié)點(diǎn)。不過這次情況比較特殊,我們發(fā)現(xiàn)結(jié)果是第一個 p 節(jié)點(diǎn)的內(nèi)容,后面的幾個 p 節(jié)點(diǎn)并沒有選到。也就是說,當(dāng)有多個節(jié)點(diǎn)時,這種選擇方式只會選擇到第一個匹配的節(jié)點(diǎn),其他的后面節(jié)點(diǎn)都會忽略。

提取信息

上面演示了調(diào)用 string 屬性來獲取文本的值,那么如何獲取節(jié)點(diǎn)屬性的值呢?如何獲取節(jié)點(diǎn)名呢?下面我們來統(tǒng)一梳理一下信息的提取方式。

獲取名稱

可以利用 name 屬性獲取節(jié)點(diǎn)的名稱。這里還是以上面的文本為例,選取 title 節(jié)點(diǎn),然后調(diào)用 name 屬性就可以得到節(jié)點(diǎn)名稱:

print(soup.title.name)

運(yùn)行結(jié)果:

title
獲取屬性

每個節(jié)點(diǎn)可能有多個屬性,比如 id 和 class 等,選擇這個節(jié)點(diǎn)元素后,可以調(diào)用 attrs 獲取所有屬性:

print(soup.p.attrs)
print(soup.p.attrs['name'])

運(yùn)行結(jié)果:

{'class': ['title'], 'name': 'dromouse'}
dromouse

可以看到,attrs 的返回結(jié)果是字典形式,它把選擇的節(jié)點(diǎn)的所有屬性和屬性值組合成一個字典。接下來,如果要獲取 name 屬性,就相當(dāng)于從字典中獲取某個鍵值,只需要用中括號加屬性名就可以了。比如,要獲取 name 屬性,就可以通過 attrs['name'] 來得到。

其實(shí)這樣有點(diǎn)煩瑣,還有一種更簡單的獲取方式:可以不用寫 attrs,直接在節(jié)點(diǎn)元素后面加中括號,傳入屬性名就可以獲取屬性值了。樣例如下:

print(soup.p['name'])
print(soup.p['class'])

運(yùn)行結(jié)果如下:

dromouse
['title']

這里需要注意的是,有的返回結(jié)果是字符串,有的返回結(jié)果是字符串組成的列表。比如,name 屬性的值是唯一的,返回的結(jié)果就是單個字符串。而對于 class,一個節(jié)點(diǎn)元素可能有多個 class,所以返回的是列表。在實(shí)際處理過程中,我們要注意判斷類型。

獲取內(nèi)容

可以利用 string 屬性獲取節(jié)點(diǎn)元素包含的文本內(nèi)容,比如要獲取第一個 p 節(jié)點(diǎn)的文本:

print(soup.p.string)

運(yùn)行結(jié)果如下:

The Dormouse's story

再次注意一下,這里選擇到的 p 節(jié)點(diǎn)是第一個 p 節(jié)點(diǎn),獲取的文本也是第一個 p 節(jié)點(diǎn)里面的文本。

嵌套選擇

在上面的例子中,我們知道每一個返回結(jié)果都是 bs4.element.Tag 類型,它同樣可以繼續(xù)調(diào)用節(jié)點(diǎn)進(jìn)行下一步的選擇。比如,我們獲取了 head 節(jié)點(diǎn)元素,我們可以繼續(xù)調(diào)用 head 來選取其內(nèi)部的 head 節(jié)點(diǎn)元素:

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.head.title)
print(type(soup.head.title))
print(soup.head.title.string)

運(yùn)行結(jié)果如下:

<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story

第一行結(jié)果是調(diào)用 head 之后再次調(diào)用 title 而選擇的 title 節(jié)點(diǎn)元素。然后打印輸出了它的類型,可以看到,它仍然是 bs4.element.Tag 類型。也就是說,我們在 Tag 類型的基礎(chǔ)上再次選擇得到的依然還是 Tag 類型,每次返回的結(jié)果都相同,所以這樣就可以做嵌套選擇了。

最后,輸出它的 string 屬性,也就是節(jié)點(diǎn)里的文本內(nèi)容。

關(guān)聯(lián)選擇

在做選擇的時候,有時候不能做到一步就選到想要的節(jié)點(diǎn)元素,需要先選中某一個節(jié)點(diǎn)元素,然后以它為基準(zhǔn)再選擇它的子節(jié)點(diǎn)、父節(jié)點(diǎn)、兄弟節(jié)點(diǎn)等,這里就來介紹如何選擇這些節(jié)點(diǎn)元素。

子節(jié)點(diǎn)和子孫節(jié)點(diǎn)

選取節(jié)點(diǎn)元素之后,如果想要獲取它的直接子節(jié)點(diǎn),可以調(diào)用 contents 屬性,示例如下:

html = """
<html><head><title>The Dormouse's story</title></head><body><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"><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>and they lived at the bottom of a well.</p><p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.contents)

運(yùn)行結(jié)果如下:

['\n            Once upon a time there were three little sisters; and their names were\n            ', <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>, '\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' \n            and\n            ', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, '\n            and they lived at the bottom of a well.\n        ']

可以看到,返回結(jié)果是列表形式。p 節(jié)點(diǎn)里既包含文本,又包含節(jié)點(diǎn),最后會將它們以列表形式統(tǒng)一返回。

需要注意的是,列表中的每個元素都是 p 節(jié)點(diǎn)的直接子節(jié)點(diǎn)。比如第一個 a 節(jié)點(diǎn)里面包含一層 span 節(jié)點(diǎn),這相當(dāng)于孫子節(jié)點(diǎn)了,但是返回結(jié)果并沒有單獨(dú)把 span 節(jié)點(diǎn)選出來。所以說,contents 屬性得到的結(jié)果是直接子節(jié)點(diǎn)的列表。

同樣,我們可以調(diào)用 children 屬性得到相應(yīng)的結(jié)果:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.children)
for i, child in enumerate(soup.p.children):print(i, child)

運(yùn)行結(jié)果如下:

<list_iterator object at 0x1064f7dd8>
0 Once upon a time there were three little sisters; and their names were1 <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
2 3 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
4  and5 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
6 and they lived at the bottom of a well.

還是同樣的 HTML 文本,這里調(diào)用了 children 屬性來選擇,返回結(jié)果是生成器類型。接下來,我們用 for 循環(huán)輸出相應(yīng)的內(nèi)容。

如果要得到所有的子孫節(jié)點(diǎn)的話,可以調(diào)用 descendants 屬性:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.descendants)
for i, child in enumerate(soup.p.descendants):print(i, child)

運(yùn)行結(jié)果如下:

<generator object descendants at 0x10650e678>
0 Once upon a time there were three little sisters; and their names were1 <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
2 3 <span>Elsie</span>
4 Elsie
5 6 7 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
8 Lacie
9  and10 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
11 Tillie
12 and they lived at the bottom of a well.

此時返回結(jié)果還是生成器。遍歷輸出一下可以看到,這次的輸出結(jié)果就包含了 span 節(jié)點(diǎn)。descendants 會遞歸查詢所有子節(jié)點(diǎn),得到所有的子孫節(jié)點(diǎn)。

父節(jié)點(diǎn)和祖先節(jié)點(diǎn)

如果要獲取某個節(jié)點(diǎn)元素的父節(jié)點(diǎn),可以調(diào)用 parent 屬性:

html = """
<html><head><title>The Dormouse's story</title></head><body><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"><span>Elsie</span></a></p><p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.a.parent)

運(yùn)行結(jié)果如下:

<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>

這里我們選擇的是第一個 a 節(jié)點(diǎn)的父節(jié)點(diǎn)元素。很明顯,它的父節(jié)點(diǎn)是 p 節(jié)點(diǎn),輸出結(jié)果便是 p 節(jié)點(diǎn)及其內(nèi)部的內(nèi)容。

需要注意的是,這里輸出的僅僅是 a 節(jié)點(diǎn)的直接父節(jié)點(diǎn),而沒有再向外尋找父節(jié)點(diǎn)的祖先節(jié)點(diǎn)。如果想獲取所有的祖先節(jié)點(diǎn),可以調(diào)用 parents 屬性:

html = """
<html><body><p class="story"><a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a></p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(type(soup.a.parents))
print(list(enumerate(soup.a.parents)))

運(yùn)行結(jié)果如下:

<class 'generator'>
[(0, <p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>), (1, <body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body>), (2, <html>
<body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>), (3, <html>
<body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>)]

可以發(fā)現(xiàn),返回結(jié)果是生成器類型。這里用列表輸出了它的索引和內(nèi)容,而列表中的元素就是 a 節(jié)點(diǎn)的祖先節(jié)點(diǎn)。

兄弟節(jié)點(diǎn)

上面說明了子節(jié)點(diǎn)和父節(jié)點(diǎn)的獲取方式,如果要獲取同級的節(jié)點(diǎn)(也就是兄弟節(jié)點(diǎn)),應(yīng)該怎么辦呢?示例如下:

html = """
<html><body><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"><span>Elsie</span></a>Hello<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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling', soup.a.next_sibling)
print('Prev Sibling', soup.a.previous_sibling)
print('Next Siblings', list(enumerate(soup.a.next_siblings)))
print('Prev Siblings', list(enumerate(soup.a.previous_siblings)))

運(yùn)行結(jié)果如下:

Next Sibling HelloPrev Sibling Once upon a time there were three little sisters; and their names wereNext Siblings [(0, '\n            Hello\n            '), (1, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>), (2, ' \n            and\n            '), (3, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>), (4, '\n            and they lived at the bottom of a well.\n        ')]
Prev Siblings [(0, '\n            Once upon a time there were three little sisters; and their names were\n            ')]

可以看到,這里調(diào)用了 4 個屬性,其中 next_sibling 和 previous_sibling 分別獲取節(jié)點(diǎn)的下一個和上一個兄弟元素,next_siblings 和 previous_siblings 則分別返回后面和前面的兄弟節(jié)點(diǎn)。

提取信息

前面講解了關(guān)聯(lián)元素節(jié)點(diǎn)的選擇方法,如果想要獲取它們的一些信息,比如文本、屬性等,也用同樣的方法,示例如下:

html = """
<html><body><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">Bob</a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> </p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling:')
print(type(soup.a.next_sibling))
print(soup.a.next_sibling)
print(soup.a.next_sibling.string)
print('Parent:')
print(type(soup.a.parents))
print(list(soup.a.parents)[0])
print(list(soup.a.parents)[0].attrs['class'])

運(yùn)行結(jié)果:

Next Sibling:
<class 'bs4.element.Tag'>
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
Lacie
Parent:
<class 'generator'>
<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1">Bob</a><a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
</p>
['story']

如果返回結(jié)果是單個節(jié)點(diǎn),那么可以直接調(diào)用 string、attrs 等屬性獲得其文本和屬性;如果返回結(jié)果是多個節(jié)點(diǎn)的生成器,則可以轉(zhuǎn)為列表后取出某個元素,然后再調(diào)用 string、attrs 等屬性獲取其對應(yīng)節(jié)點(diǎn)的文本和屬性。

6. 方法選擇器

前面所講的選擇方法都是通過屬性來選擇的,這種方法非???#xff0c;但是如果進(jìn)行比較復(fù)雜的選擇的話,它就比較煩瑣,不夠靈活了。幸好,Beautiful Soup 還為我們提供了一些查詢方法,比如 find_all 和 find 等,調(diào)用它們,然后傳入相應(yīng)的參數(shù),就可以靈活查詢了。

find_all

find_all,顧名思義,就是查詢所有符合條件的元素,可以給它傳入一些屬性或文本來得到符合條件的元素,功能十分強(qiáng)大。

它的 API 如下:

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

我們可以根據(jù)節(jié)點(diǎn)名來查詢元素,下面我們用一個實(shí)例來感受一下:

html='''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div><div class="panel-body"><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">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(name='ul'))
print(type(soup.find_all(name='ul')[0]))

運(yùn)行結(jié)果:

[<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">Foo</li>
<li class="element">Bar</li>
</ul>]
<class 'bs4.element.Tag'>

這里我們調(diào)用了 find_all 方法,傳入 name 參數(shù),其參數(shù)值為 ul。也就是說,我們想要查詢所有 ul 節(jié)點(diǎn),返回結(jié)果是列表類型,長度為 2,每個元素依然都是 bs4.element.Tag 類型。

因?yàn)槎际?Tag 類型,所以依然可以進(jìn)行嵌套查詢。還是同樣的文本,這里查詢出所有 ul 節(jié)點(diǎn)后,再繼續(xù)查詢其內(nèi)部的 li 節(jié)點(diǎn):

for ul in soup.find_all(name='ul'):print(ul.find_all(name='li'))

運(yùn)行結(jié)果如下:

[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]

返回結(jié)果是列表類型,列表中的每個元素依然還是 Tag 類型。

接下來我們就可以遍歷每個 li 獲取它的文本了。

for ul in soup.find_all(name='ul'):print(ul.find_all(name='li'))for li in ul.find_all(name='li'):print(li.string)

運(yùn)行結(jié)果如下:

[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
Foo
Bar
Jay
[<li class="element">Foo</li>, <li class="element">Bar</li>]
Foo
Bar
attrs

除了根據(jù)節(jié)點(diǎn)名查詢,我們也可以傳入一些屬性來進(jìn)行查詢,我們用一個實(shí)例感受一下:

html='''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div><div class="panel-body"><ul class="list" id="list-1" name="elements"><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">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(attrs={'id': 'list-1'}))
print(soup.find_all(attrs={'name': 'elements'}))

運(yùn)行結(jié)果:

[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]

這里查詢的時候傳入的是 attrs 參數(shù),參數(shù)的類型是字典類型。比如,要查詢 id 為 list-1 的節(jié)點(diǎn),可以傳入 attrs={'id': 'list-1'} 的查詢條件,得到的結(jié)果是列表形式,包含的內(nèi)容就是符合 id 為 list-1 的所有節(jié)點(diǎn)。在上面的例子中,符合條件的元素個數(shù)是 1,所以結(jié)果是長度為 1 的列表。

對于一些常用的屬性,比如 id 和 class 等,我們可以不用 attrs 來傳遞。比如,要查詢 id 為 list-1 的節(jié)點(diǎn),可以直接傳入 id 這個參數(shù)。還是上面的文本,我們換一種方式來查詢:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(id='list-1'))
print(soup.find_all(class_='element'))

運(yùn)行結(jié)果如下:

[<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]

這里直接傳入 id='list-1',就可以查詢 id 為 list-1 的節(jié)點(diǎn)元素了。而對于 class 來說,由于 class 在 Python 里是一個關(guān)鍵字,所以后面需要加一個下劃線,即 class_='element',返回的結(jié)果依然還是 Tag 組成的列表。

text

text 參數(shù)可用來匹配節(jié)點(diǎn)的文本,傳入的形式可以是字符串,可以是正則表達(dá)式對象,示例如下:

import re
html='''
<div class="panel"><div class="panel-body"><a>Hello, this is a link</a><a>Hello, this is a link, too</a></div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(text=re.compile('link')))

運(yùn)行結(jié)果:

['Hello, this is a link', 'Hello, this is a link, too']

這里有兩個 a 節(jié)點(diǎn),其內(nèi)部包含文本信息。這里在 find_all() 方法中傳入 text 參數(shù),該參數(shù)為正則表達(dá)式對象,結(jié)果返回所有匹配正則表達(dá)式的節(jié)點(diǎn)文本組成的列表。

find

除了 find_all 方法,還有 find 方法,只不過 find 方法返回的是單個元素,也就是第一個匹配的元素,而 find_all 返回的是所有匹配的元素組成的列表。示例如下:

html='''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div><div class="panel-body"><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">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find(name='ul'))
print(type(soup.find(name='ul')))
print(soup.find(class_='list'))

運(yùn)行結(jié)果:

<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<class 'bs4.element.Tag'>
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>

返回結(jié)果不再是列表形式,而是第一個匹配的節(jié)點(diǎn)元素,類型依然是 Tag 類型。

另外還有許多的查詢方法,用法與前面介紹的 find_all、find 方法完全相同,只不過查詢范圍不同,在此做一下簡單的說明。

find_parents 和 find_parent:前者返回所有祖先節(jié)點(diǎn),后者返回直接父節(jié)點(diǎn)。

find_next_siblings 和 find_next_sibling:前者返回后面所有的兄弟節(jié)點(diǎn),后者返回后面第一個兄弟節(jié)點(diǎn)。

find_previous_siblings 和 find_previous_sibling:前者返回前面所有的兄弟節(jié)點(diǎn),后者返回前面第一個兄弟節(jié)點(diǎn)。

find_all_next 和 find_next:前者返回節(jié)點(diǎn)后所有符合條件的節(jié)點(diǎn),后者返回第一個符合條件的節(jié)點(diǎn)。

find_all_previous 和 find_previous:前者返回節(jié)點(diǎn)前所有符合條件的節(jié)點(diǎn),后者返回第一個符合條件的節(jié)點(diǎn)。

7. CSS 選擇器

Beautiful Soup 還提供了另外一種選擇器,那就是 CSS 選擇器。如果對 Web 開發(fā)熟悉的話,那么對 CSS 選擇器肯定也不陌生。如果不熟悉的話,可以參考 CSS 選擇器參考手冊 了解。

使用 CSS 選擇器,只需要調(diào)用 select 方法,傳入相應(yīng)的 CSS 選擇器即可,我們用一個實(shí)例來感受一下:

html='''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div><div class="panel-body"><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">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.select('.panel .panel-heading'))
print(soup.select('ul li'))
print(soup.select('#list-2 .element'))
print(type(soup.select('ul')[0]))

運(yùn)行結(jié)果如下:

[<div class="panel-heading">
<h4>Hello</h4>
</div>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]
<class 'bs4.element.Tag'>

這里我們用了 3 次 CSS 選擇器,返回的結(jié)果均是符合 CSS 選擇器的節(jié)點(diǎn)組成的列表。例如,select('ul li') 則是選擇所有 ul 節(jié)點(diǎn)下面的所有 li 節(jié)點(diǎn),結(jié)果便是所有的 li 節(jié)點(diǎn)組成的列表。

最后一句我們打印輸出了列表中元素的類型,可以看到類型依然是 Tag 類型。

嵌套選擇

select 方法同樣支持嵌套選擇,例如我們先選擇所有 ul 節(jié)點(diǎn),再遍歷每個 ul 節(jié)點(diǎn)選擇其 li 節(jié)點(diǎn),樣例如下:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):print(ul.select('li'))

運(yùn)行結(jié)果如下:

[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]

可以看到正常輸出了遍歷每個 ul 節(jié)點(diǎn)之后,其下的所有 li 節(jié)點(diǎn)組成的列表。

獲取屬性

我們知道節(jié)點(diǎn)類型是 Tag 類型,所以獲取屬性還可以用原來的方法。仍然是上面的 HTML 文本,這里嘗試獲取每個 ul 節(jié)點(diǎn)的 id 屬性:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):print(ul['id'])print(ul.attrs['id'])

運(yùn)行結(jié)果如下:

list-1
list-1
list-2
list-2

可以看到直接傳入中括號和屬性名和通過 attrs 屬性獲取屬性值都是可以成功的。

獲取文本

要獲取文本,當(dāng)然也可以用前面所講的 string 屬性。此外,還有一個方法,那就是 get_text,示例如下:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for li in soup.select('li'):print('Get Text:', li.get_text())print('String:', li.string)

運(yùn)行結(jié)果:

Get Text: Foo
String: Foo
Get Text: Bar
String: Bar
Get Text: Jay
String: Jay
Get Text: Foo
String: Foo
Get Text: Bar
String: Bar

二者的效果是完全一致的,都可以獲取到節(jié)點(diǎn)的文本值。

8. 結(jié)語

到此 BeautifulSoup 的使用介紹基本就結(jié)束了,最后做一下簡單的總結(jié):

  • 推薦使用 LXML 解析庫,必要時使用 html.parser。

  • 節(jié)點(diǎn)選擇篩選功能弱但是速度快。

  • 建議使用 find、find_all 方法查詢匹配單個結(jié)果或者多個結(jié)果。

  • 如果對 CSS 選擇器熟悉的話可以使用 select 選擇法。

如果本文對你有幫助不要忘記點(diǎn)贊,收藏+關(guān)注!

http://www.risenshineclean.com/news/410.html

相關(guān)文章:

  • 桂林手機(jī)網(wǎng)站制作/官網(wǎng)設(shè)計公司
  • 網(wǎng)站技術(shù)可行性/立即優(yōu)化在哪里
  • 全國做網(wǎng)站的公司/做推廣哪個平臺效果好
  • 簡單展示網(wǎng)站模板/百度搜索官網(wǎng)
  • wordpress頁面markdown/seo品牌
  • 三明網(wǎng)站優(yōu)化/推廣優(yōu)化網(wǎng)站排名
  • 有哪些攝影網(wǎng)站/站長工具源碼
  • 建設(shè)網(wǎng)站成本預(yù)算/青島疫情最新情況
  • 外貿(mào)網(wǎng)站使用攻略/自己開網(wǎng)店怎么運(yùn)營
  • 企業(yè)網(wǎng)站要更新文章嗎/域名注冊查詢?nèi)肟?/a>
  • 支付網(wǎng)站建設(shè)費(fèi)/正規(guī)的培訓(xùn)學(xué)校
  • 網(wǎng)站關(guān)鍵詞庫如何做/惠州seo推廣外包
  • 做網(wǎng)站jsp和php/成功營銷十大經(jīng)典案例
  • 網(wǎng)站子頁面如何做seo/信息流優(yōu)化師工作總結(jié)
  • 怎么做一簾幽夢網(wǎng)站/全渠道營銷管理平臺
  • 珠海網(wǎng)站建設(shè)小程序/百度搜索網(wǎng)站
  • 武漢企業(yè)建站公司/百度官方電話號碼
  • 二手車交易網(wǎng)站怎么做/百度推廣網(wǎng)址是多少
  • 網(wǎng)站設(shè)計服務(wù)有哪些/網(wǎng)頁seo
  • 網(wǎng)站開發(fā) 項(xiàng)目計劃/免費(fèi)推廣網(wǎng)站地址大全
  • 鹽城市亭湖區(qū)建設(shè)局網(wǎng)站/博客可以做seo嗎
  • 10個值得推薦的免費(fèi)設(shè)計網(wǎng)站/怎么讓網(wǎng)站快速收錄
  • photoshop在線修圖/東莞seo管理
  • 門戶網(wǎng)站樣式/百度提問在線回答問題
  • 網(wǎng)站聯(lián)系我們的地圖怎么做的/seo收費(fèi)標(biāo)準(zhǔn)
  • 北京網(wǎng)站建設(shè)交易/肇慶seo優(yōu)化
  • 網(wǎng)站 色調(diào)/世界搜索引擎大全
  • 南充網(wǎng)站建設(shè)工作室/互聯(lián)網(wǎng)推廣有哪些方式
  • 工業(yè)和信息化部icp網(wǎng)站備案系統(tǒng)/百度查詢?nèi)肟?/a>
  • 游戲推廣網(wǎng)站如何做的/一件代發(fā)48個貨源網(wǎng)站