admin管理员组

文章数量:1794759

Python爬虫自学笔记（二）静态网页爬取

Python爬虫自学笔记（二）静态网页爬取

1、基本情况

对于静态网页，只需要应用两个库就可以解决，requests库 和  BeautifulSoup4库。

1.1简介

Beautiful Soup 是 Python 的一个库，最主要的功能是从网页抓取数据。

BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据.

Beautiful 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。

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。

Beautiful Soup 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。

1.2安装

安装：   pip install beautifulsoup4

导入： import bs4 （注意不能 import  beautifulsoup）

1.3几大解析器比较​

解析器使用方法优势劣势
Python标准库BeautifulSoup(markup, “html.parser”)Python的内置标准库、执行速度适中 、文档容错能力强Python 2.7.3 or 3.2.2)前的版本中文容错能力差
lxml HTML 解析器BeautifulSoup(markup, “lxml”)速度快、文档容错能力强需要安装C语言库
lxml XML 解析器BeautifulSoup(markup, “xml”)速度快、唯一支持XML的解析器需要安装C语言库
html5libBeautifulSoup(markup, “html5lib”)最好的容错性、以浏览器的方式解析文档、生成HTML5格式的文档速度慢、不依赖外部扩展

2、基本使用方法​

基本用法如下：

​

 代码示例:

import requests from bs4 import BeautifulSoup url = "jinyongxiaoshuo/xueshanfeihu/489.html" #要爬取的网页，这里我找了个金庸小说的网页 res = requests.get('cuiqingcai/authors/%E5%B4%94%E5%BA%86%E6%89%8D/page/2/') #向网页发送请求 res.encoding='utf-8' #编码为utf-8模式 soup=BeautifulSoup(res.text,'html.parser') #用Python自带的解析器‘html.parser’解析 print(soup) #打印出整个HTML文档

3、BeautifulSoup4四大对象种类

BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

3.1.Tag 我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。

print(type(bs.a))

对于 Tag，它有两个重要的属性，是 name 和 attrs： 3.2.NavigableString 既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可

print(type(bs.title.string))

3.3.BeautifulSoup BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性

3.4.Comment Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

4、遍历文档树

4.1、.contents：获取Tag的所有子节点，返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出 print(bs.head.contents) # 用列表索引来获取它的某一个元素 print(bs.head.contents[1])

4.2、.children：获取Tag的所有子节点，返回一个生成器

for child in bs.body.children: print(child)

4.3、.descendants：获取Tag的所有子孙节点 4.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历

4.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容

4.6、.parent：获取Tag的父节点

4.7、.parents：递归得到父辈元素的所有节点，返回一个生成器

4.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符

4.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符

4.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器

4.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器

4.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的

4.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的

4.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容

4.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容

4.16、.has_attr：判断Tag是否包含属性

5、搜索文档树 5.1find_all( name , attrs , recursive , text , **kwargs )

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

5.1.1name 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

5.1.1.A传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签

soup.find_all('b') # [<b>The Dormouse's story</b>] print soup.find_all('a') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="example/lacie" id="link2">Lacie</a>, <a class="sister" href="example/tillie" id="link3">Tillie</a>]

5.1.1.B传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到

import re for tag in soup.find_all(repile("^b")): print(tag.name) # body # b

5.1.1.C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签

soup.find_all(["a", "b"]) # [<b>The Dormouse's story</b>, # <a class="sister" href="example/elsie" id="link1">Elsie</a>, # <a class="sister" href="example/lacie" id="link2">Lacie</a>, # <a class="sister" href="example/tillie" id="link3">Tillie</a>]

5.1.1.D.传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a

5.1.1.E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id') #将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签: soup.find_all(has_class_but_no_id) # [<p class="title"><b>The Dormouse's story</b></p>, # <p class="story">Once upon a time there were...</p>, # <p class="story">...</p>]

5.1.2、keyword 参数

注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id='link2') # [<a class="sister" href="example/lacie" id="link2">Lacie</a>] 如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性 soup.find_all(href=repile("elsie")) # [<a class="sister" href="example/elsie" id="link1">Elsie</a>]

使用多个指定名字的参数可以同时过滤tag的多个属性

soup.find_all(href=repile("elsie"), id='link1') # [<a class="sister" href="example/elsie" id="link1">three</a>]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all("a", class_="sister") # [<a class="sister" href="example/elsie" id="link1">Elsie</a>, # <a class="sister" href="example/lacie" id="link2">Lacie</a>, # <a class="sister" href="example/tillie" id="link3">Tillie</a>]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

soup.find_all("a", class_="sister") # [<a class="sister" href="example/elsie" id="link1">Elsie</a>, # <a class="sister" href="example/lacie" id="link2">Lacie</a>, # <a class="sister" href="example/tillie" id="link3">Tillie</a>]

但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>]

5.1.3、text 参数

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True

soup.find_all(text="Elsie") # [u'Elsie'] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie'] soup.find_all(text=repile("Dormouse")) #[u"The Dormouse's story", u"The Dormouse's story"]

5.1.4、limit 参数

find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all("a", limit=2) # [<a class="sister" href="example/elsie" id="link1">Elsie</a>, # <a class="sister" href="example/lacie" id="link2">Lacie</a>]

5.1.5、recursive 参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

一段简单的文档:

复制代码代码如下:

<html> <head> <title> The Dormouse's story </title> </head>

是否使用 recursive 参数的搜索结果:

​

soup.html.find_all("title") # [<title>The Dormouse's story</title>] soup.html.find_all("title", recursive=False) # []

​

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

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

5.3、find_parents() 、 find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

5.4、find_next_siblings() find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

5.5、find_previous_siblings() find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

5.6、find_all_next() find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

5.7、find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

注：以上5.2--5.7方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。

5.8、CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list 5.8.1、通过标签名查找

​

print soup.select('title') #[<title>The Dormouse's story</title>] print soup.select('a') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="example/lacie" id="link2">Lacie</a>, <a class="sister" href="example/tillie" id="link3">Tillie</a>] print soup.select('b') #[<b>The Dormouse's story</b>]

​

5.8.2、通过类名查找

print soup.select('.sister') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="example/lacie" id="link2">Lacie</a>, <a class="sister" href="example/tillie" id="link3">Tillie</a>]

5.8.3、通过 id 名查找

print soup.select('#link1') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>]

5.8.4、组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print soup.select('p #link1') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>]

直接子标签查找

print soup.select("head > title") #[<title>The Dormouse's story</title>]

5.8.5、属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

​

print soup.select("head > title") #[<title>The Dormouse's story</title>] print soup.select('a[href="example/elsie"]') #[<a class="sister" href="example/elsie" id="link1"><!-- Elsie --></a>]

​

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select('p a[href="example/elsie"]') #[<a class="sister" href="

最后附一个爬取一个网页上金庸小说内容的代码

# 引用requests库 import requests # 引用BeautifulSoup库 from bs4 import BeautifulSoup # 为躲避反爬机制，伪装成浏览器的请求头 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'} # 获取数据 res = requests.get('www.jinyongwuxia/she/186.html',headers=headers) #编码为utf-8 res.encoding='utf-8' # 解析数据 soup = BeautifulSoup(res.text,'html.parser') print() # 查找包含章节标题的标签 title=soup.find('h1') # 查找包含正文内容的<br>标签 print(title.text) contents = soup.find_all('p') for c in contents: print(c.text)

本文标签： 爬虫静态网页笔记Python

版权声明：本文标题：Python爬虫自学笔记（二）静态网页爬取 内容由林淑君副主任自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.xiehuijuan.com/baike/1686481853a72426.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。