一、Beautiful Soup簡介
爬蟲正規表達式參考我上一篇文章:Python 爬蟲正規表達式和re庫
在爬蟲過程中,可以利用正規表達式去提取資訊,但是有些人覺得比較麻煩。因為花大量時間分析正規表達式。這時候可以用高效的網頁解析庫Beautiful Soup。
Beautiful Soup 是一個HTML/XML 的解析器,主要用于解析和提取 HTML/XML 資料。
Beautiful Soup支援Python标準庫中的HTML解析器,還支援一些第三方的解析器,如果我們不安裝它,則 Python 會使用 Python預設的解析器,lxml 解析器更加強大,速度更快,推薦安裝。
下面是各種解析器優缺點
二、Beautiful Soup 安裝
Beautiful Soup 3 目前已經停止開發,推薦在現在的項目中使用Beautiful Soup 4,不過它已經被移植到BS4了,也就是說導入時我們需要 import bs4。
安裝Beautiful Soup
pip install beautifulsoup4
根據作業系統不同,可以選擇下列方法來安裝lxml,安裝解析器:
apt-get install Python-lxml
easy_install lxml
pip install lxml
建立對象時,指定解析器,這裡為lxml
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"lxml")
三、Beautiful Soup 使用
Beautiful Soup将複雜HTML文檔轉換成一個複雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種: Tag , NavigableString , BeautifulSoup , Comment .
(1)Tag
标簽,最基本的資訊組織單元,分别用<>和标明開頭和結尾,通俗點講就是 HTML 中的一個個标簽。
Tag有很多方法和屬性,tag中最重要的屬性: name和attributes。
name:
每個tag都有自己的名字,通過 .name 來擷取:
慣例,同樣以豆瓣電影排行做分析,連結為:https://movie.douban.com/top250
import requests
from bs4 import BeautifulSoup
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/65.0.3325.162 Safari/537.36'}
url='https://movie.douban.com/top250'
req=requests.get(url,headers=headers)
html=req.text
#print(req.text)
soup=BeautifulSoup(html,'lxml')
print(soup.h1)
print(soup.a)
執行結果:
<h1>豆瓣電影 Top 250</h1>
<a class="nav-login" href="https://accounts.douban.com/passport/login?source=movie" rel="nofollow">登入/注冊</a>
以上,就直接提取到标簽h1和a 的内容了,之是以隻有一個,因為隻提取第一個比對到的内容。
Attributes:
屬性,一個tag可能有很多個屬性, . tag的屬性的操作方法與字典相同。
如上:ol class="grid_view" 的屬性, 标簽名為ol,屬性為class,屬性值為:grid_view
import requests
from bs4 import BeautifulSoup
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/65.0.3325.162 Safari/537.36'}
url='https://movie.douban.com/top250'
req=requests.get(url,headers=headers)
html=req.text
#print(req.text)
soup=BeautifulSoup(html,'lxml')
#擷取标簽div所有屬性,得到的是一個字典
print(soup.div.attrs)
#擷取标簽ol屬性為class的值
print(soup.ol['class'])
執行結果:
{'id': 'db-global-nav', 'class': ['global-nav']}
['grid_view']
因為是字典屬性,是以tag的屬性可以被添加,删除或修改。不過,對于修改删除的操作,不是我們的主要用途,有需要的自行參考官方文檔。
(2)NavigableString
直譯為:可以周遊的字元串,通過名稱可知,得到字元串。
标簽内非屬性字元串,格式:soup.\<tag>.string, NavigableString可以跨越多個層次。
如,得到了标簽的内容,要想擷取标簽内部的文字,用 .string 即可。
上面代碼改為:
print(soup.h1.string)
執行結果:
豆瓣電影 Top 250
(3)BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的全部内容.大部分時候,可以把它當作 Tag 對象,是一個特殊的 Tag,我們可以分别擷取它的類型,名稱。
print(soup.name)
執行結果:
[document]
(4)Comment
注釋及特殊字元串,Tag , NavigableString , BeautifulSoup 幾乎覆寫了html和xml中的所有内容,但是還有一些特殊對象.容易讓人擔心的内容是文檔的注釋部分:
from bs4 import BeautifulSoup
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
print(type(comment))
print(comment)
執行結果:
<class 'bs4.element.Comment'>
Hey, buddy. Want to buy a used parser?
四、周遊文檔樹
HTML基本格式:<>…</>構成了所屬關系,周遊形成了标簽的樹形結構。
是以有時候不能做到一步就得到想要的元素,需要先選中一個元素再以它為基準再選擇它的子節點,父節點,兄弟節點等。
(1)子節點和子孫節點
子節點屬性:.contents .children
.content
tag 的 .content 屬性可以将tag的子節點以清單的方式輸出
import requests
from bs4 import BeautifulSoup
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/65.0.3325.162 Safari/537.36'}
url='https://movie.douban.com/top250'
req=requests.get(url,headers=headers)
html=req.text
#print(req.text)
soup=BeautifulSoup(html,'lxml')
print(soup.ol.contents)
執行結果:
['\n', <li>
<div class="item">
<div class="pic">
<em class="">1</em>
<a href="https://movie.douban.com/subject/1292052/">
<img alt="肖申克的救贖" class="" src="https://img9.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/>
</a>
</div>
<div class="info">
...
輸出方式為清單,是以可以用清單索引來擷取它的某一個元素。
print(soup.ol.contents[1])
.children
傳回的不是一個 list,不過我們可以通過周遊擷取所有子節點。
print(soup.ol.children)
執行結果:
<list_iterator object at 0x7fbf14fbc4c0>
列印輸出 .children ,可以發現它是一個 list 生成器對象,是以需要周遊一下擷取内容。
for child in soup.ol.children:
print(child)
輸入内容和.content差不多。
子孫節點.descendants
如果要獲得所有的子孫節點的話,可以調用descendants屬性,傳回結果還是生成器,是以需要周遊一下輸出可以看見span節點
print(soup.ol.descendants)
#print(soup.ol.children)
for child in soup.ol.descendants:
print(child)
descendants會遞歸查詢所有子節點,得到所有的子孫節點。
(2)父節點和祖父節點
擷取父節點.parent
print(soup.ol.parent)
擷取所有祖先節點,同理需要周遊擷取。
for parent in soup.ol.parents:
print(parent)
(3)兄弟節點
擷取兄弟節點:.next_sibling 和 .previous_sibling
next_sibling和previous_sibling分别擷取節點的下一個和上一個兄弟元素。
print(soup.li.next_sibling)
print(soup.li.previous_sibling)
如果節點不存在,則傳回 None,實際中通常是字元串或空白,因為空白或者換行也可以被視作一個節點,是以得到的結果可能是空白或者換行。
全部兄弟節點:next_siblings 和 previous_siblings
分别傳回後面和前面的兄弟節點,同理,所有節點需要周遊獲得。
print(soup.li.next_siblings)
print(soup.li.previous_siblings)
for sibling in soup.li.next_siblings:
print(sibling)
for previous in soup.li.previous_siblings:
print(previous)
(4)回退和前進節點
前後節點:.next_element 和 .previous_element
與 .next_sibling .previous_sibling 不同,它并不是針對于兄弟節點,而是在所有節點,不分層次
比如 head 節點為
<head><title>The Dormouse's story</title></head>
那麼它的下一個節點便是 title,它是不分層次關系的。
所有前後節點:.next_elements 和 .previous_elements
同理,傳回的是疊代器,需要周遊獲得。
五、搜尋文檔樹
eautiful Soup定義了很多搜尋方法,主要用的2個方法:find() 和 find_all()
(1)find_all
文法:find_all(name, attrs, recursive, text, **kwargs)
name:
我們可以根據節點名來查詢元素。name可以是:字元串、正規表達式、清單、True、方法
print(soup.find_all('a'))
因為是Tag類型,我們可以進行嵌套查詢.
for a in soup.find_all('a'):
print(a.find_all('span'))
print(a.string)
attrs
除了根據節點名查詢的話,同樣的也可以通過屬性來查詢。
print(soup.find_all(attrs={'id': 'link1'}))
print(soup.find_all(attrs={'name': 'Dormouse'}))
常用的屬性比如class,我們可以直接傳入class這個參數。在這裡需要注意的是class是Python的保留字,是以在class的後面加上下劃線。
print(soup.find_all(class_="title"))
執行結果:
<span class="title">肖申克的救贖</span>, <span class="title"> / The Shawshank Redemption</span>, <span class="title">霸王别姬</span>, <span class="title">阿甘正傳</span>
(2)find
除了find_all( )方法,還有find( )方法,前者傳回的是多個元素,以清單形式傳回,字尾是傳回一個元素。即第一個元素。
find( )與find_all( )的使用方法相同。
find_parents() 和find_parent():前者傳回所有祖先節點,後者傳回直接父節點。
find_next_siblings()和find_next_sibling():前者傳回後面的所有兄弟節點,後者傳回後面第一個兄弟節點。
find_previous_siblings和find_previous_sibling():前者傳回前面的所有兄弟節點,後者傳回前面第一個兄弟節點。
六、CSS選擇器
Beautiful Soup還提供了另一種選擇器,即CSS選擇器。
soup.select(),傳回類型是 list。
同樣可以用 标簽名、類名、 id 名、組合、屬性查找。
(1)soup.select()
擷取title标簽節點
print(soup.select('title'))
擷取class為title的節點
print(soup.select('.title'))
擷取li标簽下的a節點
print(soup.select('li a'))
查找時還可以加入屬性元素,屬性需要用中括号括起來,
注意屬性和标簽屬于同一節點,是以中間不能加空格,否則會無法比對到
print soup.select('a[href="http://example.com/elsie"]')
(2)嵌套選擇
同樣可以使用嵌套查詢
for ul in soup.select('ul'):
print(ul.select('li'))
(3)擷取屬性
for ul in soup.select('ul'):
print(ul['id'])
print(ul.attrs['id'])
(4)擷取文本
for li in soup.select('li'):
print('String:', li.string)
print('get text:', li.get_text())
七、擷取豆瓣電影排行首頁影片資訊
通過以上的方法,現在擷取豆瓣電影排行首頁的排名、電影名、導演演員、年份類型。
從頁面分析,所有影片資訊,在class标簽值為grid_view的裡面。
是以第一步擷取所有grid_view裡面所有li标簽的值,傳回的是一個清單。
list= soup.find(class_='grid_view').find_all('li')
排序,在清單每個元素中,擷取em标簽值,為排序,隻取字元串。
find('em').string
電影名稱,擷取第一個title值
find(class_='title').string
導演和年代資訊,在标簽p當中,擷取的是text文本格式。由于中間有空格,還有br換行符,是以最後還需要replace替換掉。
item.find('p').text.replace(' ','')
最終代碼為:
url='https://movie.douban.com/top250'
req=requests.get(url,headers=headers)
html=req.text
#print(req.text)
soup=BeautifulSoup(html,'lxml')
list= soup.find(class_='grid_view').find_all('li')
for item in list:
item_num=item.find('em').string
item_name=item.find(class_='title').string
item_act=item.find('p').text.replace(' ','')
print("排名:"+item_num,"\n電影名稱:"+item_name,item_act)
執行結果:
排名:1
電影名稱:肖申克的救贖
導演:弗蘭克·德拉邦特FrankDarabont 主演:蒂姆·羅賓斯TimRobbins/...
1994 / 美國 / 犯罪劇情
排名:2
電影名稱:霸王别姬
導演:陳凱歌KaigeChen 主演:張國榮LeslieCheung/張豐毅FengyiZha...
1993 / 中國大陸中國香港 / 劇情愛情同性
排名:3
電影名稱:阿甘正傳
導演:羅伯特·澤米吉斯RobertZemeckis 主演:湯姆·漢克斯TomHanks/...
1994 / 美國 / 劇情愛情
排名:4
電影名稱:泰坦尼克号
導演:詹姆斯·卡梅隆JamesCameron 主演:萊昂納多·迪卡普裡奧Leonardo...
1997 / 美國墨西哥澳洲加拿大 / 劇情愛情災難
排名:5
電影名稱:這個殺手不太冷
導演:呂克·貝松LucBesson 主演:讓·雷諾JeanReno/娜塔莉·波特曼...
1994 / 法國美國 / 劇情動作犯罪
排名:6
電影名稱:美麗人生
導演:羅伯托·貝尼尼RobertoBenigni 主演:羅伯托·貝尼尼RobertoBeni...
1997 / 意大利 / 劇情喜劇愛情戰争
排名:7
電影名稱:千與千尋
導演:宮崎駿HayaoMiyazaki 主演:柊瑠美RumiHîragi/入野自由Miy...
2001 / 日本 / 劇情動畫奇幻
排名:8
電影名稱:辛德勒的名單
導演:史蒂文·斯皮爾伯格StevenSpielberg 主演:連姆·尼森LiamNeeson...
1993 / 美國 / 劇情曆史戰争
排名:9
電影名稱:盜夢空間
導演:克裡斯托弗·諾蘭ChristopherNolan 主演:萊昂納多·迪卡普裡奧Le...
2010 / 美國英國 / 劇情科幻懸疑冒險
排名:10
電影名稱:星際穿越
導演:克裡斯托弗·諾蘭ChristopherNolan 主演:馬修·麥康納MatthewMc...
2014 / 美國英國加拿大 / 劇情科幻冒險
排名:11
電影名稱:忠犬八公的故事
導演:萊塞·霍爾斯道姆LasseHallström 主演:理查·基爾RichardGer...
2009 / 美國英國 / 劇情
排名:12
電影名稱:楚門的世界
導演:彼得·威爾PeterWeir 主演:金·凱瑞JimCarrey/勞拉·琳妮Lau...
1998 / 美國 / 劇情科幻
排名:13
電影名稱:海上鋼琴師
導演:朱塞佩·托納多雷GiuseppeTornatore 主演:蒂姆·羅斯TimRoth/...
1998 / 意大利 / 劇情音樂
排名:14
電影名稱:三傻大鬧寶萊塢
導演:拉庫馬·希拉尼RajkumarHirani 主演:阿米爾·汗AamirKhan/卡...
2009 / 印度 / 劇情喜劇愛情歌舞
排名:15
電影名稱:機器人總動員
導演:安德魯·斯坦頓AndrewStanton 主演:本·貝爾特BenBurtt/艾麗...
2008 / 美國 / 科幻動畫冒險
排名:16
電影名稱:放牛班的春天
導演:克裡斯托夫·巴拉蒂ChristopheBarratier 主演:讓-巴蒂斯特·莫尼...
2004 / 法國瑞士德國 / 劇情喜劇音樂
排名:17
電影名稱:無間道
導演:劉偉強/麥兆輝 主演:劉德華/梁朝偉/黃秋生
2002 / 中國香港 / 劇情犯罪驚悚
排名:18
電影名稱:瘋狂動物城
導演:拜倫·霍華德ByronHoward/瑞奇·摩爾RichMoore 主演:金妮弗·...
2016 / 美國 / 喜劇動畫冒險
排名:19
電影名稱:大話西遊之大聖娶親
導演:劉鎮偉JeffreyLau 主演:周星馳StephenChow/吳孟達ManTatNg...
1995 / 中國香港中國大陸 / 喜劇愛情奇幻古裝
排名:20
電影名稱:熔爐
導演:黃東赫Dong-hyukHwang 主演:孔侑YooGong/鄭有美Yu-miJung/...
2011 / 南韓 / 劇情
排名:21
電影名稱:控方證人
導演:比利·懷爾德BillyWilder 主演:泰隆·鮑華TyronePower/瑪琳·...
1957 / 美國 / 劇情犯罪懸疑
排名:22
電影名稱:教父
導演:弗朗西斯·福特·科波拉FrancisFordCoppola 主演:馬龍·白蘭度M...
1972 / 美國 / 劇情犯罪
排名:23
電影名稱:當幸福來敲門
導演:加布裡爾·穆奇諾GabrieleMuccino 主演:威爾·史密斯WillSmith...
2006 / 美國 / 劇情傳記家庭
排名:24
電影名稱:觸不可及
導演:奧利維·那卡什OlivierNakache/艾力克·托蘭達EricToledano 主...
2011 / 法國 / 劇情喜劇
排名:25
電影名稱:怦然心動
導演:羅伯·萊納RobReiner 主演:瑪德琳·卡羅爾MadelineCarroll/卡...
2010 / 美國 / 劇情喜劇愛情
八、小結
推薦使用lxml解析庫,必要時選擇html.parser。相對于正規表達式,Beautiful Soup更加簡單,但是網上有些推薦正規表達式,理由是精确。
具體用哪個,還是根據環境選擇吧,一起使用都可以。