Python爬蟲入門BeautifulSoup模塊
BeautifulSoup
BeautifulSoup是一個模塊，該模塊用于接收一個HTML或XML字符串，
然后將其進行格式化，之后遍可以使用他提供的方法進行快速查找指定元素，
從而使得在HTML或XML中查找指定元素變得簡單。
安裝：
pip install BeautifulSoup4
1
導入：
from bs4 import BeautifulSoup
1
beautifulsoup簡單示例:
soup = BeautifulSoup(text, features="html.parser") # 返回第一個對象 v1 = soup.find("div") v1 = soup.find(id="i1") v1 = soup.find("div", id="i1") # 組合使用 # 返回對象列表 v2 = soup.find_all("div") v2 = soup.find_all(id="i1") v2 = soup.find_all("div", id="i1") # 組合使用 tag.text # 獲取文本 tag.attrs("href") # 獲取屬性
1
2
3
4
5
6
7
8
9
10
11
12
13
14
代碼示例
from bs4 import BeautifulSoup html_doc = """
The Dormouse's story總共
f
Once upon a time there were three little sisters; and their names were Elsfie, Lacie and Tillie; and they lived at the bottom of a well.
adsf
...
""" soup = BeautifulSoup(html_doc, features="lxml") # 找到第一個a標簽 tag1 = soup.find(name='a') # 找到所有的a標簽 tag2 = soup.find_all(name='a') # 找到id＝link2的標簽 tag3 = soup.select('#link2')1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
1、 name，標簽名稱
tag = soup.find('a') name = tag.name # 獲取 print(name) tag.name = 'span' # 設置 print(soup)
1
2
3
4
5
6
2、 attrs，標簽屬性
tag = soup.find('a') attrs = tag.attrs # 獲取 print(attrs) tag.attrs = {'ik':123} # 設置 tag.attrs['id'] = 'value' # 設置 print(soup)
1
2
3
4
5
6
7
3、 children,所有子標簽
body = soup.find('body') v = body.children
1
2
4、 descendants,所有子子孫孫標簽
body = soup.find('body') v = body.descendants
1
2
5、 clear,將標簽的所有子標簽全部清空（保留標簽名）
tag = soup.find('body') tag.clear() print(soup)
1
2
3
6、decompose,遞歸的刪除所有的標簽
body = soup.find('body') body.decompose() print(soup)
1
2
3
7、extract,遞歸的刪除所有的標簽，并獲取刪除的標簽
body = soup.find('body') v = body.extract() print(soup)
1
2
3
8、 decode,轉換為字符串（含當前標簽）；decode_contents（不含當前標簽）
body = soup.find('body') v = body.decode() v = body.decode_contents() print(v)
1
2
3
4
9、encode,轉換為字節（含當前標簽）；encode_contents（不含當前標簽）
body = soup.find('body') v = body.encode() v = body.encode_contents() print(v)
1
2
3
4
10、find,獲取匹配的第一個標簽
tag = soup.find('a') print(tag) tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie') tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie') print(tag)
1
2
3
4
5
6
7
8
9
11、find_all,獲取匹配的所有標簽
tags = soup.find_all('a') print(tags) tags = soup.find_all('a',limit=1) print(tags) tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie') tags = soup.find_all(name='a', class_='sister', recursive=True, text='Lacie') print(tags) ####### 列表 ####### v = soup.find_all(name=['a','div']) print(v) v = soup.find_all(class_=['sister0', 'sister']) print(v) v = soup.find_all(text=['Tillie']) print(v, type(v[0])) v = soup.find_all(id=['link1','link2']) print(v) v = soup.find_all(href=['link1','link2']) print(v) ####### 正則 ####### import re rep = re.compile('p') rep = re.compile('^p') # 所有以p開頭 v = soup.find_all(name=rep) print(v) rep = re.compile('sister.*') v = soup.find_all(class_=rep) print(v) rep = re.compile('http://www.oldboy.com/static/.*') v = soup.find_all(href=rep) print(v) ####### 方法篩選 ####### def func(tag): return tag.has_attr('class') and tag.has_attr('id') v = soup.find_all(name=func) print(v) ## get,獲取標簽屬性 tag = soup.find('a') v = tag.get('id') print(v)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
12、has_attr,檢查標簽是否具有該屬性
tag = soup.find('a') v = tag.has_attr('id') print(v)
1
2
3
13、get_text,獲取標簽內部文本內容
tag = soup.find('a') v = tag.get_text() print(v)
1
2
3
14、index,檢查標簽在某標簽中的索引位置
tag = soup.find('body') v = tag.index(tag.find('div')) print(v) tag = soup.find('body') for i, v in enumerate(tag): print(i,v)
1
2
3
4
5
6
7
15、 is_empty_element,是否是空標簽(是否可以是空)或者自閉合標簽，
# 判斷是否是如下標簽： # 'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base' tag = soup.find('br') v = tag.is_empty_element print(v)
1
2
3
4
5
6
16、 當前的關聯標簽
tag.next tag.next_element tag.next_elements tag.next_sibling tag.next_siblings tag.previous tag.previous_element tag.previous_elements tag.previous_sibling tag.previous_siblings tag.parent tag.parents tag.children tag.descendants
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
17、查找某標簽的關聯標簽
tag.find_next(...) tag.find_all_next(...) tag.find_next_sibling(...) tag.find_next_siblings(...) tag.find_previous(...) tag.find_all_previous(...) tag.find_previous_sibling(...) tag.find_previous_siblings(...) tag.find_parent(...) tag.find_parents(...) # 參數同find_all
1
2
3
4
5
6
7
8
9
10
11
12
13
14
18、 select,select_one, CSS選擇器
soup.select("title") soup.select("p nth-of-type(3)") soup.select("body a") soup.select("html head title") tag = soup.select("span,a") soup.select("head > title") soup.select("p > a") soup.select("p > a:nth-of-type(2)") soup.select("p > #link1") soup.select("body > a") soup.select("#link1 ~ .sister") soup.select("#link1 + .sister") soup.select(".sister") soup.select("[class~=sister]") soup.select("#link1") soup.select("a#link2") soup.select('a[href]') soup.select('a[) soup.select('a[href^="http://example.com/"]') soup.select('a[href$="tillie"]') soup.select('a[href*=".com/el"]') from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator) print(type(tags), tags) from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1) print(type(tags), tags)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
19、 標簽的內容
tag = soup.find('span') print(tag.string) # 獲取 tag.string = 'new content' # 設置 print(soup) tag = soup.find('body') print(tag.string) tag.string = 'xxx' print(soup) tag = soup.find('body') v = tag.stripped_strings # 遞歸內部獲取所有標簽的文本 print(v)
1
2
3
4
5
6
7
8
9
10
11
12
13
20、append在當前標簽內部追加一個標簽
tag = soup.find('body') tag.append(soup.find('a')) print(soup) from bs4.element import Tag obj = Tag(name='i',attrs={'id': 'it'}) obj.string = '我是一個新來的' tag = soup.find('body') tag.append(obj) print(soup)
1
2
3
4
5
6
7
8
9
10
11
21、insert在當前標簽內部指定位置插入一個標簽
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一個新來的' tag = soup.find('body') tag.insert(2, obj) print(soup)
1
2
3
4
5
6
7
22、 insert_after,insert_before 在當前標簽后面或前面插入
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一個新來的' tag = soup.find('body') tag.insert_before(obj) tag.insert_after(obj) print(soup)
1
2
3
4
5
6
7
8
23、 replace_with 在當前標簽替換為指定標簽
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一個新來的' tag = soup.find('div') tag.replace_with(obj) print(soup)
1
2
3
4
5
6
7
24、 創建標簽之間的關系
tag = soup.find('div') a = soup.find('a') tag.setup(previous_sibling=a) print(tag.previous_sibling)
1
2
3
4
25、wrap，將指定標簽把當前標簽包裹起來
from bs4.element import Tag obj1 = Tag(name='div', attrs={'id': 'it'}) obj1.string = '我是一個新來的' tag = soup.find('a') v = tag.wrap(obj1) print(soup) tag = soup.find('a') v = tag.wrap(soup.find('p')) print(soup)
1
2
3
4
5
6
7
8
9
10
11
12
26、 unwrap，去掉當前標簽，將保留其包裹的標簽
tag = soup.find('a') v = tag.unwrap() print(soup)
1
2
3
參考：
武沛齊：http://www.cnblogs.com/wupeiqi/articles/6283017.html
官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
Python
版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。
相關文章
