Python 爬蟲從入門到進階之路（十二）

之前的文章我們介紹了 re 子產品和 lxml 子產品來做爬蟲，本章我們再來看一個 bs4 子產品來做爬蟲。

和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 資料。

lxml 隻會局部周遊，而Beautiful Soup 是基于HTML DOM的，會載入整個文檔，解析整個DOM樹，是以時間和記憶體開銷都會大很多，是以性能要低于lxml。

BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支援CSS選擇器、Python标準庫中的HTML解析器，也支援 lxml 的 XML解析器。

Beautiful Soup 3 目前已經停止開發，推薦現在的項目使用Beautiful Soup 4。使用 pip 安裝即可：
pip install beautifulsoup4 官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

抓取工具	速度	使用難度	安裝難度
正則	最快	困難	無（内置）
BeautifulSoup	慢	最簡單	簡單
lxml	快	簡單	一般

首先必須要導入 bs4 庫

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 # 打開本地 HTML 檔案的方式來建立對象
19 # soup = BeautifulSoup(open('index.html'), "lxml")
20 
21 # 格式化輸出 soup 對象的内容
22 print(soup.prettify())

運作結果：

1 <html>
 2  <body>
 3   <div>
 4    <ul>
 5     <li class="item-0">
 6      <a href="link1.html">
 7       first item
 8      </a>
 9     </li>
10     <li class="item-1">
11      <a href="link2.html">
12       second item
13      </a>
14     </li>
15     <li class="item-inactive">
16      <a href="link3.html">
17       <span class="bold">
18        third item
19       </span>
20      </a>
21     </li>
22     <li class="item-1">
23      <a href="link4.html">
24       fourth item
25      </a>
26     </li>
27     <li class="item-0">
28      <a href="link5.html">
29       fifth item
30      </a>
31     </li>
32    </ul>
33   </div>
34  </body>
35 </html>

四大對象種類

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

Tag 通俗點講就是 HTML 中的一個個标簽，例如：

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
19 print(soup.a)  # <a href="link1.html">first item</a>
20 print(soup.span)  # <span class="bold">third item</span>
21 print(soup.p)  # None
22 print(type(soup.li))  # <class 'bs4.element.Tag'>

我們可以利用 soup 加标簽名輕松地擷取這些标簽的内容，這些對象的類型是 `bs4.element.Tag` 。但是注意，它查找的是在所有内容中的第一個符合要求的标簽。如果要查詢所有的标簽，後面會進行介紹。

對于 Tag，它有兩個重要的屬性，是 name 和 attrs

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.attrs)  # {'class': ['item-0']}
19 print(soup.li["class"])  # ['item-0']
20 print(soup.li.get('class'))  # ['item-0']
21 
22 print(soup.li)  # <li class="item-0"><a href="link1.html">first item</a></li>
23 soup.li["class"] = "newClass"  # 可以對這些屬性和内容等等進行修改
24 print(soup.li)  # <li class="newClass"><a href="link1.html">first item</a></li>
25 
26 del soup.li['class']  # 還可以對這個屬性進行删除
27 print(soup.li)  # <li><a href="link1.html">first item</a></li>

2. NavigableString

既然我們已經得到了标簽的内容，那麼問題來了，我們要想擷取标簽内部的文字怎麼辦呢？很簡單，用 .string 即可，例如

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.string)  # first item
19 print(soup.a.string)  # first item
20 print(soup.span.string)  # third item
21 # print(soup.p.string)  # AttributeError: 'NoneType' object has no attribute 'string'
22 print(type(soup.li.string))  # <class 'bs4.element.NavigableString'>

3. BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的内容。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，以及屬性來感受一下

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.name)  # [document]
19 print(soup.attrs)  # {}, 文檔本身的屬性為空
20 print(type(soup.name))  # <class 'str'>

4. Comment

Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的内容不包括注釋符号。

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 6  </div>
 7 """
 8 
 9 # 建立 Beautiful Soup 對象
10 soup = BeautifulSoup(html, "lxml")
11 
12 print(soup.a)  # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
13 print(soup.a.string)  # Elsie 
14 print(type(soup.a.string))  # <class 'bs4.element.Comment'>

a 标簽裡的内容實際上是注釋，但是如果我們利用 .string 來輸出它的内容時，注釋符号已經去掉了。

周遊文檔樹

1. 直接子節點： `.contents` `.children` 屬性

.content

tag 的 .content 屬性可以将tag的子節點以清單的方式輸出，輸出方式為清單，我們可以用清單索引來擷取它的某一個元素

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.li.contents)  # [<a href="link1.html">first item</a>]
19 print(soup.li.contents[0])  # <a href="link1.html">first item</a>

.children

它傳回的不是一個 list，不過我們可以通過周遊擷取所有子節點。

我們列印輸出 .children 看一下，可以發現它是一個 list 生成器對象

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 
18 print(soup.ul.children)  # <list_iterator object at 0x106388a20>
19 for child in  soup.ul.children:
20     print(child)

輸出結果：

1 <li class="item-0"><a href="link1.html">first item</a></li>
 2 
 3 
 4 <li class="item-1"><a href="link2.html">second item</a></li>
 5 
 6 
 7 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 8 
 9 
10 <li class="item-1"><a href="link4.html">fourth item</a></li>
11 
12 
13 <li class="item-0"><a href="link5.html">fifth item</a></li>

2. 所有子孫節點: `.descendants` 屬性

.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要周遊擷取其中的内容。

1 for child in  soup.ul.descendants:
2     print(child)

運作結果：

1 <li class="item-0"><a href="link1.html">first item</a></li>
 2 <a href="link1.html">first item</a>
 3 first item
 4 
 5 
 6 <li class="item-1"><a href="link2.html">second item</a></li>
 7 <a href="link2.html">second item</a>
 8 second item
 9 
10 
11 <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
12 <a href="link3.html"><span class="bold">third item</span></a>
13 <span class="bold">third item</span>
14 third item
15 
16 
17 <li class="item-1"><a href="link4.html">fourth item</a></li>
18 <a href="link4.html">fourth item</a>
19 fourth item
20 
21 
22 <li class="item-0"><a href="link5.html">fifth item</a></li>
23 <a href="link5.html">fifth item</a>
24 fifth item

搜尋文檔樹

1. `find_all(name, attrs, recursive, text, **kwargs)`

1）name 參數

name 參數可以查找所有名字為 name 的 tag，字元串對象會被自動忽略掉

A.傳字元串

最簡單的過濾器是字元串.在搜尋方法中傳入一個字元串參數,Beautiful Soup會查找與字元串完整比對的内容,下面的例子用于查找文檔中所有的

<span>

标簽:

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all('span'))  # [<span class="bold">third item</span>]

B.傳正規表達式

如果傳入正規表達式作為參數,Beautiful Soup會通過正規表達式的 match() 來比對内容.下面例子中找出所有以 s 開頭的标簽,這表示

<span

标簽都應該被找到

1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 對象
17 soup = BeautifulSoup(html, "lxml")
18 for tag in soup.find_all(re.compile("^s")):
19     print(tag)
20 # <span class="bold">third item</span>

C.傳清單

如果傳入清單參數,Beautiful Soup會将與清單中任一進制素比對的内容傳回.下面代碼找到文檔中所有

<a>

标簽和

<span>

标簽:

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all(["a", "span"]))
18 # [<a href="link1.html">first item</a>, <a href="link2.html">second item</a>, <a href="link3.html"><span class="bold">third item</span></a>, <span class="bold">third item</span>, <a href="link4.html">fourth item</a>, <a href="link5.html">fifth item</a>]

2）keyword 參數

1 from bs4 import BeautifulSoup
 2 
 3 html = """
 4 <div>
 5     <ul>
 6          <li class="item-0"><a href="link1.html">first item</a></li>
 7          <li class="item-1"><a href="link2.html">second item</a></li>
 8          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
 9          <li class="item-1"><a href="link4.html">fourth item</a></li>
10          <li class="item-0"><a href="link5.html">fifth item</a></li>
11      </ul>
12  </div>
13 """
14 
15 # 建立 Beautiful Soup 對象
16 soup = BeautifulSoup(html, "lxml")
17 print(soup.find_all(href='link1.html'))  # [<a href="link1.html">first item</a>]

3）text 參數

通過 text 參數可以搜搜文檔中的字元串内容，與 name 參數的可選值一樣, text 參數接受字元串 , 正規表達式 , 清單

1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 對象
17 soup = BeautifulSoup(html, "lxml")
18 print(soup.find_all(text="first item"))  # ['first item']
19 print(soup.find_all(text=["first item", "second item"]))  # ['first item', 'second item']
20 print(soup.find_all(text=re.compile("item")))  # ['first item', 'second item', 'third item', 'fourth item', 'fifth item']

CSS選擇器

這就是另一種與 find_all 方法有異曲同工之妙的查找方法.

寫 CSS 時，标簽名不加任何修飾，類名前加 . ，id名前加 #
在這裡我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select() ，傳回類型是 list

（1）通過标簽名查找

1 from bs4 import BeautifulSoup
 2 import re
 3 
 4 html = """
 5 <div>
 6     <ul>
 7          <li class="item-0"><a href="link1.html">first item</a></li>
 8          <li class="item-1"><a href="link2.html">second item</a></li>
 9          <li class="item-inactive"><a href="link3.html"><span class="bold">third item</span></a></li>
10          <li class="item-1"><a href="link4.html">fourth item</a></li>
11          <li class="item-0"><a href="link5.html">fifth item</a></li>
12      </ul>
13  </div>
14 """
15 
16 # 建立 Beautiful Soup 對象
17 soup = BeautifulSoup(html, "lxml")
18 print(soup.select('span'))  # [<span class="bold">third item</span>]

（2）通過類名查找

1 print(soup.select('.item-0'))  
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]

（3）通過 id 名查找

print(soup.select('#item-0'))  # []

（4）組合查找

1 print(soup.select('li.item-0'))
2 # [<li class="item-0"><a href="link1.html">first item</a></li>, <li class="item-0"><a href="link5.html">fifth item</a></li>]
3 print(soup.select('li.item-0>a')) 
4 # [<a href="link1.html">first item</a>, <a href="link5.html">fifth item</a>]

（5）屬性查找

1 print(soup.select('a[href="link1.html"]'))  # [<a href="link1.html">first item</a>]

(6) 擷取内容

1 for text in soup.select('li'):
2     print(text.get_text())
3 """
4 first item
5 second item
6 third item
7 fourth item
8 fifth item
9 """