解析库与Beautiful Soup

通过request库，我们已经能够抓取网页信息了，但要怎么提取包含在Html代码里面的有效信息呢？谈到匹配有效信息你肯定会想到正则表达式，这里就不讨论了，实际上关于正则表达式已经可以写一本书了，并且由于网页特殊的层级结构，也没必要使用正则表达式。python提供更好用的html和xml的解析库Beautiful Soup 和XPath等。

什么是Beautiful Soup

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间

———Beautiful Soup中文文档

安装

1
2

pip3 install beautifulsoup4

学习准备

为了学习和测试Beautiful Soup，我写了一个简单的程序框架,包含3个函数获取页面，解析页面，和主函数，测试的时候只要修改解析函数的部分代码就可以了

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import requests
from bs4 import BeautifulSoup

def getHtml(url):   #获取网页内容
    try:           
        r = requests.get(url,timeout = 30)
        r.encoding = r.apparent_encoding; #设置编码格式为原网页的编码格式,避免乱码
        return r.text
    except:
        return ""

def soupHtml(html):  #解析网页内容
    print(html)
    soup = BeautifulSoup(html,'lxml')
    # 解析代码
    

if __name__ == '__main__':
    url = "http://www.baidu.com"
    html = getHtml(url)
    soupHtml(html)

可以看到爬取的是百度的首页，之后的代码，添加进去就能运行了

基本用法

1
2

BeautifulSoup(content,"html.parser"/"lxml")

两个参数cnetent表示待解析的网页内容，后面的参数可以理解为待解析的格式。lxml解析器有解析HTML和XML的功能，而且速度快，容错能力强，所以推荐使用它。

选择元素

根据标签名来选择元素

1
2
3
4
5
6
soup = BeautifulSoup(html,'lxml')
print(soup.title)
print(soup.head)
print(soup.div)

>>> <title>百度一下，你就知道</title>

连带标签一起输出，当有多个标签匹配时，只返回第一个

获取内容

标签的string方法

1
2
3
4
5
6
soup = BeautifulSoup(html,'lxml')
print(soup.title.string)
print(soup.head.string)
print(soup.div.string)
>>> 百度一下，你就知道

获取标签的属性

html中的标签有很多属性，例如，id,name,class,href等等，可以通过attrs获取标签的属性

1
2
3
4
5

soup = BeautifulSoup(html,'lxml')
print(soup.link.attrs)

>>> {'rel': ['stylesheet'], 'type': 'text/css', 'href': 'http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css'}
获取属性的值

通过返回的值，可以知道它是字典类型的结构，这样就可以通过键获取他的值

1
2
3
4
5
6
7
8
9
10
soup = BeautifulSoup(html,'lxml')
print(soup.p)

>>> <p id="lh"><a href="http://www.baidu.com/cache/sethelp/help.html" target="_blank">把百度设为主页</a><a href="http://home.baidu.com">关于百度</a><a href="http://ir.baidu.com">About Baidu</a></p>

print(soup.p.attrs)
>>> {'id': 'lh'}

print(soup.p.attrs['id'])
>>>lh

关联选择

在做选择的时候，有时候不能做到一步就选到想要的节点元素，需要先选中某一个节点元素，然后以它为基准再选择它的子节点、父节点、兄弟节点等

1.子节点和子孙节点
  • 获取子节点 contents,children
1
2
3
4
5
6
7
8
9
10
11
12

for i,content in enumerate(soup.head.contents):
    print(i,content)
for i,child in enumerate(soup.head.children):
    print(i,child)

>>>0 <meta content="text/html;charset=utf-8" http-equiv="content-type"/>
1 <meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
2 <meta content="never" name="referrer"/>
3 <title>百度一下，你就知道</title>
4 <style>html,body{height:100%}html{overflow-y:auto}body{font:12px arial;background:#fff}body,p,form,ul,li{margin:0;padding:0;list-style:none}body............

输出head标签的子节点，contents和children是等效的

  • 子孙节点

如果要得到所有的子孙节点的话，可以调用descendants属性

1
2
3
4

for i,child in enumerate(soup.body.descendants):
    print(i,child)
2.父节点和祖先节点

如果要获取某个节点元素的父节点，可以调用parent属性，获取其祖先节点调用其parents属性。

3.兄弟节点

next_sibling和previous_sibling分别获取节点的下一个和上一个兄弟元素，next_siblings和previous_siblings则分别返回所有前面和后面的兄弟节点的生成器。

查询方法

1.find_all()

find_all查询所有符合条件的元素。给它传入一些属性或文本，就可以得到符合条件的元素了。

API接口如下:

1
2
3

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

  • 跟据名称查找
1
2
3
4
5
6
7
8
9
10
11
12
for i,input in enumerate(soup.fiind_all(name='input')):
    print(i,input)

>>> 0 <input name="bdorz_come" type="hidden" value="1"/>
1 <input name="ie" type="hidden" value="utf-8"/>
2 <input name="f" type="hidden" value="8"/>
3 <input name="rsv_bp" type="hidden" value="1"/>
4 <input name="rsv_idx" type="hidden" value="1"/>
5 <input name="tn" type="hidden" value="baidu"/>
6 <input autocomplete="off" autofocus="" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/>
7 <input class="bg s_btn" id="su" type="submit" value="百度一下"

找出所有的input标签

  • 根据属性查找
1
2
3
4
5
6
7
8
9
10
11
12
13
    
for i,tag in enumerate(soup.find_all(attrs={'class':'mnav'})):
    print(i,tag)
    
>>> 0 <a class="mnav" href="http://www.nuomi.com">糯米</a>
    1 <a class="mnav" href="http://news.baidu.com">新闻</a>
    2 <a class="mnav" href="http://www.hao123.com">hao123</a>
    3 <a class="mnav" href="http://map.baidu.com">地图</a>
    4 <a class="mnav" href="http://v.baidu.com">视频</a>
    5 <a class="mnav" href="http://tieba.baidu.com">贴吧</a>
    6 <a class="mnav" href="https://passport.baidu.com/v2/?login&amp;tpl=mn&amp;u=https%3A%2F%2Fwww.baidu.com%2F">登录</a>
    7 <a class="mnav" href="http://www.baidu.com/gaoji/preferences.html">设置</a>

找出所有class属性为”mnav”的标签

  • 根据文本查找
1
2
3
4
5
6
7
import re
# 导入正则匹配库

print(soup.find_all(text=re.compile('百')))
['百度一下，你就知道', '把百度设为主页', '关于百度', '使用百度前必读']


2.find()

find()方法与find_all(),方法一致，只是find()返回的是单个元素，也就是第一个匹配的元素，而前者返回的是所有匹配的元素组成的列表。这里就不讨论了

CSS选择器

就是专门用于筛选指定样式的标签,通过select方法

1
2
3
4
5
6
7
8
9
10
11
12

print(soup.select('.mnav'))

for i,tag in enumrate(soup.select('.mnav')):
    print(i,tag)

>>>0 <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
1 <a class="mnav" href="http://www.hao123.com" name="tj_trhao123">hao123</a>
2 <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>
3 <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>
4 <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>

通过结果我们发现其实完全可以通过class属性来查找,应为通过CSS来查找本质就是通过class属性来查找

程序实现

爬取最好大学网2018年排名信息,并格式化输出

  • html代码分析
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
<tbody class="hidden_zhpm" style="text-align: center;">
  <tr class="alt">
   <td>
    1
   </td>
   <td>
    <div align="left">
     清华大学
    </div>
   </td>
   <td>
    北京
   </td>
   <td>
    95.3
   </td>
   <td class="hidden-xs need-hidden indicator5">
    100.0
   </td>

1.所有大学信息包含在tbody的子标签中，即整个表格

2.每一所大学在一个tr标签中，即表格中的一行

3.各大学的排名，名称，综合评分,在td标签中,即表格的一列

  • request + BeautifkuSoup实现
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

import requests
from bs4 import BeautifulSoup
import bs4

def getUnivtext(url):
    try:
        r=requests.get(url,timeout=30);
        r.raise_for_status()
        r.encoding=r.apparent_encoding;
        return r.text
    except:
        return ""

def fillUnivList(ulist,html):
    soup=BeautifulSoup(html,"html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr,bs4.element.Tag):#bs4库里的标签类型
            tds=tr('td')
            ulist.append([tds[0].string,tds[1].string,tds[3].string])

def printUnivList(ulist,num):
    print("{:^10}\t{:<10}\t{:<10}\t".format("排名","大学名称","评分"))
    for i in range(num):
        u=ulist[i]
        print("{:^10}\t{:^6}\t{:^10}\t".format(u[0],u[1],u[2]))      

if __name__ == '__main__':
    Uinfo=[]
    url="http://www.zuihaodaxue.com/zuihaodaxuepaiming2018.html"
    html=getUnivtext(url)
    fillUnivList(Uinfo,html)
    printUnivList(Uinfo,310)
运行效果

picone

投喂我

写文不易，如果本文对你有帮助，点击Donate,微信和支付宝投喂我