前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python写爬虫你要了解的Bs4模块

Python写爬虫你要了解的Bs4模块

作者头像
网络安全自修室
发布2020-07-22 16:47:02
1K0
发布2020-07-22 16:47:02
举报

什么是BS4?

BS4全称是Beatiful Soup,官方文档[1]它提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为tiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。python写爬虫使用较多的一个模块。参考文章[2]

快速上手

代码语言:javascript
复制
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)

标签选择器

属性

功能

使用eg

title

选择元素

soup.title

head

选择元素

soup.head

p

选择元素

soup.p

name

获取名称

soup.title.name

attrs

获取属性

soup.p.attrs['name']或soup.p['name']

string

获取内容

soup.p.string或者soup.p.text

contents

获取子节点,返回list

soup.p.contents

children

获取子节点,返回迭代器

soup.p.children

descendants

获取子孙节点,返回迭代器

soup.p.descendants

parent

获取父节点,返回列表

soup.a.parent

parents

获取祖先节点,返回列表

soup.a.parents

next_siblings

获取后面的兄弟节点,返回列表

soup.a.next_siblings

previous_siblings

获取前面的兄弟节点,返回列表

soup.a.previous_siblings

标准选择器

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

可根据标签名、属性、内容查找文档

代码语言:javascript
复制
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'}))
# 用法不同,结果相同
print(soup.find_all(id='list-1'))
print(soup.find_all(class_='element'))
print(soup.find_all(text='Foo')

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

find返回单个元素,find_all返回所有元素

代码语言:javascript
复制
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('ul'))
print(type(soup.find('ul')))
print(soup.find('page'))

>>>>>

<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'>
None

方法

描述

prettify

格式化html代码

find_parents()

返回所有祖先节点

find_parent()

返回直接父节点

find_next_siblings()

返回后面所有兄弟节点

find_next_sibling()

返回后面第一个兄弟节点

find_previous_siblings()

返回前面所有兄弟节点

find_previous_sibling()

返回前面第一个兄弟节点

find_all_next()

返回节点

find_next()

返回第一个符合条件的节点

find_all_previous()

返回节点

find_previous()

返回第一个符合条件的节点

css选择器

代码语言:javascript
复制
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]))
for li in soup.select('li'):
    print(li.get_text())

总结

  1. 推荐使用lxml解析库,必要时使用html.parser
  2. 标签选择筛选功能弱但是速度快
  3. 建议使用find()、find_all() 查询匹配单个结果或者多个结果
  4. 如果对CSS选择器熟悉建议使用select()
  5. 记住常用的获取属性和文本值的方法

参考资料

[1]

官方文档: https://beautifulsoup.readthedocs.io/zh_CN/latest/

[2]

参考文章: https://www.jb51.net/article/65287.htm

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-07-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 网络安全自修室 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是BS4?
  • 快速上手
  • 标签选择器
  • 标准选择器
  • css选择器
  • 总结
    • 参考资料
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档