Python爬虫技术系列-02HTML解析-BS4

2 Beautiful Soup解析
- 2.1 Beautiful Soup概述
- - 2.1.1 Beautiful Soup安装
  - 2.1.2 Beautiful Soup4库内置对象
- 2.2 BS4 案例
- - 2.2.1 读取HTML案例
  - 2.2.2 BS4常用语法
  - - 1Tag节点
    - 2 遍历节点
    - 3 搜索方法
    - - 1) find_all()
      - 2)find()
      - 3) CSS选择器
- 2.3 BS4综合案例
- - 2.3.1 需求：爬取三国演义小说的所有章节和内容
  - 2.3.2 爬取小说数据，并排错

2 Beautiful Soup解析

参考连接：
https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#
http://c.biancheng.net/python_spider/bs4.html

2.1 Beautiful Soup概述

2.1.1 Beautiful Soup安装

Beautiful Soup 简称 BS4（其中 4 表示版本号）是一个 Python 第三方库，它可以从 HTML 或 XML 文档中快速地提取指定的数据。Beautiful Soup 语法简单，使用方便，并且容易理解，因此您可以快速地学习并掌握它。本节我们讲解 BS4 的基本语法。
BS4下载安装
由于 Bautiful Soup 是第三方库，因此需要单独下载，下载方式非常简单，执行以下命令即可安装：

pip install beautifulsoup4==4.11.1 -i https://pypi.tuna.tsinghua.edu.cn/simple。

由于 BS4 解析页面时需要依赖文档解析器，所以还需要安装 lxml 作为解析库：

pip install lxml

2.1.2 Beautiful Soup4库内置对象

Beautiful Soup4库的内置对象：
Beautiful Soup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，对象可以归纳为BeautifulSoup ,Tag , NavigableString , Comment 四种。
BeautifulSoup 对象为一个文档的全部内容，可以认为BeautifulSoup 对象是一个大的Tag对象。
Tag对象与XML或HTML原生文档中的tag相同。代表html文档中的标签，Tag对象可以包含其他多个Tag对象。Tag.name返回标签名，Tag.string返回标签中的文本。
NavigableString对象html文档中的文本，即Tag中的字符串用NavigableString对象包装。
Commern对象是一种特殊的NavigableString对象，用来包装文档中注释和特殊字符串。

2.2 BS4 案例

2.2.1 读取HTML案例

1.创建 BS4 解析对象第一步，这非常地简单，语法格式如下所示：

#导入解析包from bs4 import BeautifulSoup#创建beautifulsoup解析对象soup = BeautifulSoup(html_doc, 'html.parser')

上述代码中，html_doc 表示要解析的文档，而 html.parser 表示解析文档时所用的解析器，此处的解析器也可以是 ‘lxml’ 或者 ‘html5lib’，示例代码如下所示：

# 第一步 导入依赖库from bs4 import BeautifulSoup#coding:utf8html_doc = """"bs4测试"标签文本div中文本"""# 第二步，加载数据为BeautifulSoup对象：soup = BeautifulSoup(html_doc, 'html.parser')#prettify()用于格式化输出html/xml文档print(soup.prettify())# 第三步，获取文档中各个元素：# 利用soup.find('div')获取div标签tag_node = soup.find('div')print(type(tag_node),'\t:',tag_node)# 遍历div标签对象，获取其中的各个对象for item in tag_node:print(type(item),'\t:',item)

输出结果：

<html> <head><title> "bs4测试"</title> </head> <body><div> <span class="cla01">标签文本 </span> div中文本 </div> </body></html><class 'bs4.element.Tag'> : <div><span class="cla01">标签文本</span>div中文本</div><class 'bs4.element.Tag'> : <span class="cla01">标签文本</span><class 'bs4.element.NavigableString'> : div中文本<class 'bs4.element.Comment'> : 注释代码

从结果可以看出soup.find(‘div’)返回值为Tag类型，输出结果为该标签的全部内容。
for循环中print(type(item),‘\t:’,item)会输出div标签的所有各个对象，该div标签包含的对象如下：
一个Tag对象，值为标签文本；
一个NavigableString’文本对象，值为div中文本；
一个Comment’注释对象，值为注释代码。

外部文档可以通过 open() 的方式打开读取，语法格式如下：

soup = BeautifulSoup(open('html_doc.html', encoding='utf8'), 'lxml')

2.2.2 BS4常用语法

下面对爬虫中经常用到的 BS4 解析方法做详细介绍。

Beautiful Soup 将 HTML 文档转换成一个树形结构，该结构有利于快速地遍历和搜索 HTML 文档。下面使用树状结构来描述一段 HTML 文档：

<html><head><title>网页标题</title></head><h1>www.baidu.com</h1><p><b>搜索引擎</b></p></body></html>

树状图如下所示：

1Tag节点

# 标签（Tag）是组成 HTML 文档的基本元素。在 BS4 中，通过标签名和标签属性可以提取出想要的内容。看一组简单的示例：# 纯文本复制from bs4 import BeautifulSouphtml_doc = 'www.baidu.com
'soup = BeautifulSoup(html_doc, 'html.parser')#获取整个div标签的html代码print(soup.div)#获取span标签print(soup.div.p.span)#获取p标签内容，使用NavigableString类中的string、text、get_text()print(soup.div.p.text)#返回一个字典，里面是多有属性和值print(soup.div.p.attrs)#查看返回的数据类型print(type(soup.div.p))#根据属性，获取标签的属性值，返回值为列表print(soup.div.p['class'])#给class属性赋值,此时属性值由列表转换为字符串soup.div.p['class']=['Web','Site']print(soup.div.p)

输出为：

<div><p class="Web site url"><span>www.baidu.com</span></p></div><span>www.baidu.com</span>www.baidu.com{'class': ['Web', 'site', 'url']}<class 'bs4.element.Tag'>['Web', 'site', 'url']<p class="Web Site"><span>www.baidu.com</span></p>

2 遍历节点

# Tag 对象提供了许多遍历 tag 节点的属性，比如 contents、children 用来遍历子节点；parent 与 parents 用来遍历父节点；而 next_sibling 与 previous_sibling 则用来遍历兄弟节点 。示例如下：# 纯文本复制#coding:utf8from bs4 import BeautifulSouphtml_doc = '''01
02
03
'''soup = BeautifulSoup(html_doc, 'html.parser')body_tag=soup.bodyprint(body_tag)print("# 以列表的形式输出，所有子节点")print(body_tag.contents)print(r"# Tag 的 children 属性会生成一个可迭代对象，可以用来遍历子节点，示例如下")for child in body_tag.children:print(child)

输出为：

<body><div class="useful"><ul><li class="cla-0" id="id-0"><a href="/link1">01</a></li><li class="cla-1"><a href="/link2">02</a></li><li><strong><a href="/link3">03</a></strong></li></ul></div></body># 以列表的形式输出，所有子节点['\n', <div class="useful"><ul><li class="cla-0" id="id-0"><a href="/link1">01</a></li><li class="cla-1"><a href="/link2">02</a></li><li><strong><a href="/link3">03</a></strong></li></ul></div>, '\n']# Tag 的 children 属性会生成一个可迭代对象，可以用来遍历子节点，示例如下<div class="useful"><ul><li class="cla-0" id="id-0"><a href="/link1">01</a></li><li class="cla-1"><a href="/link2">02</a></li><li><strong><a href="/link3">03</a></strong></li></ul></div>

3 搜索方法

Beautiful Soup定义了很多搜索方法,本小节着重 find_all()， find() 和 select()几个。
find_all()函数可以搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。

find_all(self, name=None, attrs={}, recursive=True, string=None, **kwargs)

name 参数对应tag名称，如soup.find_all(“div”)表示查找所有div标签。
attrs表示属性值过滤器。如soup.find_all(class_=“cla”)表示查找class属性值为cla的所有元素。其它的属性过滤器还可以为id=”main”等。
recursive为True会递归查询，为False只检索直系节点。
text：用来搜文档中的字符串内容，该参数可以接受字符串、正则表达式、列表、True。
limit：由于 find_all() 会返回所有的搜索结果，这样会影响执行效率，通过 limit 参数可以限制返回结果的数量

find()函数是find_all()的一种特例，仅返回一个值。
select()函数用于通过css选择器进行文档的筛选。

find_all() 与 find() 是解析 HTML 文档的常用方法，它们可以在 HTML 文档中按照一定的条件（相当于过滤器）查找所需内容。find() 与 find_all() 的语法格式相似，希望大家在学习的时候，可以举一反三。
BS4 库中定义了许多用于搜索的方法，find() 与 find_all() 是最为关键的两个方法，其余方法的参数和使用与其类似。

1) find_all()

find_all() 方法用来搜索当前 tag 的所有子节点，并判断这些节点是否符合过滤条件,find_all() 使用示例如下：

from bs4 import BeautifulSoupimport rehtml_doc = '''加入我们阅读所有教程
百度一下soso一下01
02
03
'''soup = BeautifulSoup(html_doc, 'html.parser')# 查询全部li标签:print("---result00---")result00 = soup.find_all('li')# 查询全部li标签print(result00)# 查询符合条件的第1个标签：print("---result01---")result01 = soup.find_all('li',limit=1)# 查询符合条件的第1个标签print(result01)# 结合属性过滤，查询符合条件的标签：print("---result02---")result02 = soup.find_all('li', class_="cla-0")# 结合属性过滤，查询符合条件的标签print(result02)# 结合多个属性过滤，查询符合条件的标签：print("---result03---")result03 = soup.find_all('li', class_="cla-0",id="id-0")# 结合多个属性过滤，查询符合条件的标签print(result03)#列表行书查找tag标签print("---result04---")print(soup.find_all(['p','a']))#正则表达式匹配id属性值print("---result05---")print(soup.find_all('a',id=re.compile(r'.\d')))print(soup.find_all(id=True))#True可以匹配任何值，下面代码会查找所有tag，并返回相应的tag名称print("---result06---")for tag in soup.find_all(True):print(tag.name,end=" ")print(" ")#输出所有以b开始的tag标签print("---result07---")for tag in soup.find_all(re.compile("^d")):print(tag.name)# BS4 为了简化代码，为 find_all() 提供了一种简化写法，如下所示：print("---result08---")#简化前print(soup.find_all("p"))#简化后print(soup("p"))

输出为：

---result00---[<li class="cla-0" id="id-0"><a href="/link1">01</a></li>, <li class="cla-1"><a href="/link2">02</a></li>, <li><strong><a href="/link3">03</a></strong></li>]---result01---[<li class="cla-0" id="id-0"><a href="/link1">01</a></li>]---result02---[<li class="cla-0" id="id-0"><a href="/link1">01</a></li>]---result03---[<li class="cla-0" id="id-0"><a href="/link1">01</a></li>]---result04---[<p class="vip">加入我们阅读所有教程</p>, <a href="https://www.baidu.com" id="link4">百度一下</a>, <a href="https://www.sos.com">soso一下</a>, <a href="/link1">01</a>, <a href="/link2">02</a>, <a href="/link3">03</a>]---result05---[<a href="https://www.baidu.com" id="link4">百度一下</a>][<a href="https://www.baidu.com" id="link4">百度一下</a>, <li class="cla-0" id="id-0"><a href="/link1">01</a></li>]---result06---html body p a a div ul li a li a li strong a---result07---div---result08---[<p class="vip">加入我们阅读所有教程</p>][<p class="vip">加入我们阅读所有教程</p>]

2)find()

ind() 方法与 find_all() 类似，不同之处在于 find_all() 会将文档中所有符合条件的结果返回，而 find() 仅返回一个符合条件的结果，所以 find() 方法没有limit参数。使用示例如下：

from bs4 import BeautifulSoupimport rehtml_doc = '''加入我们阅读所有教程
百度一下soso一下01
02
03
'''soup = BeautifulSoup(html_doc, 'html.parser')print("---result101---")result101 = soup.find('li')# 查询单个标签，与find_all("li", limit=1)一致# 从结果可以看出，返回值为单个标签，并且没有被列表所包装。print(result101)print("---result102---")#根据属性值正则匹配print(soup.find(class_=re.compile('0')))#attrs参数值print(soup.find(attrs={'class':'vip'}))# 使用 find() 时，如果没有找到查询标签会返回 None，而 find_all() 方法返回空列表。示例如下：print("---result103---")print(soup.find('bdi'))print(soup.find_all('audio'))# BS4 也为 find()提供了简化写法，如下所示：print("---result104---")#简化写法print(soup.body.a)#上面代码等价于print(soup.find("body").find("a"))# 获得文本，并添加分隔符，去掉两端空格:print("---result105---")result105 = soup.find('ul').get_text("----", strip=True)print(result105)

输出如下：

---result101---<li class="cla-0" id="id-0"><a href="/link1">01</a></li>---result102---<li class="cla-0" id="id-0"><a href="/link1">01</a></li><p class="vip">加入我们阅读所有教程</p>---result103---None[]---result104---<a href="https://www.baidu.com" id="link4">百度一下</a><a href="https://www.baidu.com" id="link4">百度一下</a>---result105---01----02----03

3) CSS选择器

BS4 支持大部分的 CSS 选择器，比如常见的标签选择器、类选择器、id 选择器，以及层级选择器。Beautiful Soup 提供了一个 select() 方法，通过向该方法中添加选择器，就可以在 HTML 文档中搜索到与之对应的内容。应用示例如下：

#coding:utf8html_doc = """"bs4测试案例网站"加入我们阅读所有教程
百度一下soso一下01
02
03
"""from bs4 import BeautifulSoupsoup = BeautifulSoup(html_doc, 'html.parser')#根据元素标签查找print("---result201---")print(soup.select('title'))#根据属性选择器查找print("---result202---")print(soup.select('a[href]'))#根据class类查找print("---result203---")print(soup.select('.vip'))#后代节点查找print("---result204---")print(soup.select('html head title'))#查找兄弟节点print("---result205---")print(soup.select('p + a'))#根据id选择p标签的兄弟节点print("---result206---")print(soup.select('p ~ #link4'))#nth-of-type(n)选择器，用于匹配同类型中的第n个同级兄弟元素print("---result207---")print(soup.select('p ~ a:nth-of-type(1)'))#查找子节点print("---result208---")print(soup.select('ul > li'))print(soup.select('ul > .cla-1'))

输出如下：

---result201---[<title>"bs4测试案例网站"</title>]---result202---[<a href="https://www.baidu.com" id="link4">百度一下</a>, <a href="https://www.sos.com">soso一下</a>, <a href="/link1">01</a>, <a href="/link2">02</a>, <a href="/link3">03</a>]---result203---[<p class="vip">加入我们阅读所有教程</p>]---result204---[<title>"bs4测试案例网站"</title>]---result205---[<a href="https://www.baidu.com" id="link4">百度一下</a>]---result206---[<a href="https://www.baidu.com" id="link4">百度一下</a>]---result207---[<a href="https://www.baidu.com" id="link4">百度一下</a>]---result208---[<li class="cla-0" id="id-0"><a href="/link1">01</a></li>, <li class="cla-1"><a href="/link2">02</a></li>, <li><strong><a href="/link3">03</a></strong></li>][<li class="cla-1"><a href="/link2">02</a></li>]

2.3 BS4综合案例

2.3.1 需求：爬取三国演义小说的所有章节和内容

import requestsfrom bs4 import BeautifulSoup#需求：爬取三国演义小说的所有章节和内容if __name__ == '__main__':#UA伪装：将对应的User-Agent封装到一个字典中headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'}#对首页的页面进行爬取url = 'https://www.shicimingju.com/book/sanguoyanyi.html'# page_text = requests.get(url=url,headers=headers).textpage_text = requests.get(url=url,headers=headers).content#在首页中解析出章节的标题和详情页的url#1、实例化BeautifulSoup对象，需要将页面源码数据加载到该对象中soup = BeautifulSoup(page_text,'html.parser')li_list = soup.select("#main_left > div > div.book-mulu > ul>li")base_url = "https://www.shicimingju.com"num = 1for i in li_list:num += 1if num >=5:break# 第一回·宴桃园豪杰三结义斩黄巾英雄首立功print(i.text)detail_url = base_url+i.a['href']page_text = requests.get(url=detail_url,headers=headers).contentsoup = BeautifulSoup(page_text,'html.parser')# #main_left > div.card.bookmark-listtemp = soup.select("#main_left > div.card.bookmark-list")# ResultSetfor j in temp:print(j.text)# print(i)print("*"*40)

输出为:

第一回·宴桃园豪杰三结义斩黄巾英雄首立功卷一天功第一　　天道变化，消长万汇，契地之力，乃有成尔。天贵...****************************************第二回·张翼德怒鞭督邮何国舅谋诛宦竖第 二 回 贾夫人仙逝扬州城 冷子兴演说荣国府诗云：...****************************************```pythonimport requestsfrom bs4 import BeautifulSoup#需求：爬取三国演义小说的所有章节和内容if __name__ == '__main__':#UA伪装：将对应的User-Agent封装到一个字典中headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'}#对首页的页面进行爬取url = 'https://www.shicimingju.com/book/sanguoyanyi.html'# page_text = requests.get(url=url,headers=headers).textpage_text = requests.get(url=url,headers=headers).content#在首页中解析出章节的标题和详情页的url#1、实例化BeautifulSoup对象，需要将页面源码数据加载到该对象中soup = BeautifulSoup(page_text,'html.parser')#解析章节标题和详情页的urlli_list = soup.select('.book-mulu > ul > li')fp = open('./sanguo.txt','w',encoding='utf-8')num = 0for li in li_list:num += 1if num >5:breaktitle = li.a.string#详情页面的urldetail_url = 'http://www.shicimingju.com'+li.a['href']#对详情页发起请求，解析出章节内容detail_page_text = requests.get(url=detail_url,headers=headers).content#解析出相关章节内容detail_soup = BeautifulSoup(detail_page_text,'html.parser')div_tag = detail_soup.find('div',class_='chapter_content')#解析到了章节的内容content = div_tag.textfp.write(title+':'+content+'\n')print(title,'successful!')

输出为：

第一回·宴桃园豪杰三结义斩黄巾英雄首立功 successful!第二回·张翼德怒鞭督邮何国舅谋诛宦竖 successful!第三回·议温明董卓叱丁原馈金珠李肃说吕布 successful!第四回·废汉帝陈留践位谋董贼孟德献刀 successful!第五回·发矫诏诸镇应曹公破关兵三英战吕布 successful!...

2.3.2 爬取小说数据，并排错

from multiprocessing import get_contextfrom turtle import titleimport requestsfrom bs4 import BeautifulSoupimport lxmlif __name__ == '__main__':url = 'https://b.faloo.com/1190629.html'headers={'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'}page_text = requests.get(url= url,headers=headers).contentsoup = BeautifulSoup(page_text,'lxml')li_list = soup.select('.DivTd')fp = open('./siheyuan.txt','w',encoding='utf-8')num = 0for DivTd in li_list:num += 1if num >5:breaktitle = DivTd.a.stringnew_url = 'https:' + DivTd.a['href']new_page_text = requests.get(url= new_url,headers=headers).contentnew_soup = BeautifulSoup(new_page_text,'lxml')#content = new_soup.find('div',class_='noveContent')content = new_soup.select('.noveContent')for noveContent in content:work = noveContent.p.stringfp.write(title+'\n'+str(content)+'\n')print(title+'------抓取完成')

输出为：

001.新人报道------抓取完成002.你咋不跟领导干一架呢------抓取完成003.确定过眼神，就是要抓的人------抓取完成004.领导，他又抓一个------抓取完成005.搓搓这小子锐气------抓取完成006.反扒队，你就是江晨？------抓取完成007.莫伸手，伸手必被抓------抓取完成008.贼王气得嗷嗷大哭------抓取完成009.抓到耗子就是好猫------抓取完成010.到底是哪里露出了马脚------抓取完成011.就你们贼多？------抓取完成012.近身格斗，不带怕的------抓取完成013.分贼不均------抓取完成014.这是指导工作去了------抓取完成015.三千罪犯，我全都要------抓取完成016.我怀疑你送人头------抓取完成017.上个厕所就抓到一个？------抓取完成018.这待遇，要馋哭了------抓取完成019.又是要搞事情的节奏啊------抓取完成020.师父给你定个小目标------抓取完成021.先让你跑个红绿灯------抓取完成022.这货是个人肉扫描机------抓取完成023.这还带买一送一的？------抓取完成024.这乞丐有问题？------抓取完成025.抓捕体验极差------抓取完成026.给我整不会了------抓取完成027.这排场，真阔气------抓取完成028.利刃-重案组------抓取完成029.我能受这委屈？------抓取完成030.这年轻人不讲武德------抓取完成031.年纪不大，谱子不小------抓取完成032.神秘的状元巷------抓取完成033.当我挂白开的？------抓取完成034.有些人慌了呀------抓取完成035.你好，开门查水表------抓取完成036.队友太秀，求安慰------抓取完成037.组队刷副本------抓取完成038.出了名的老实人------抓取完成039.我天生就结巴------抓取完成040.秀还是你秀------抓取完成041.这就叫专业------抓取完成042.垃圾桶的艺术------抓取完成043.这就开张了？------抓取完成044.抱大腿的觉悟（第五更）------抓取完成045.时代变了？（第六章）------抓取完成046.你敢拆我空调？（第七更）------抓取完成047.三个硬茬子------抓取完成048.朋友，露个面吧------抓取完成049.你敢脸探草丛？------抓取完成050.高效流水线------抓取完成051.抓超载了（第五更）------抓取完成052.伤害了多少人（加更一章）------抓取完成053.还有论车的？（加更第二章）------抓取完成054.来了一条收杆鱼------抓取完成055.各位，等我回来------抓取完成056.实在关不下了------抓取完成057.枪来------抓取完成058.我摊牌了，不装了------抓取完成059.把那孩子带回来------抓取完成060.让你拐个空气------抓取完成061.枪声就是命令------抓取完成062.开枪听个响------抓取完成063.能跑赢我的，只有年龄（第五更）------抓取完成064.他又来了------抓取完成065.活生生撵我两个小时------抓取完成066.我能让你出院？------抓取完成067.战前晋升------抓取完成---------------------------------------------------------------------------AttributeErrorTraceback (most recent call last)<ipython-input-45-4e73a887f2ec> in <module>() 14 fp = open('./siheyuan.txt','w',encoding='utf-8') 15 for DivTd in li_list:---> 16 title = DivTd.a.string 17 new_url = 'https:' + DivTd.a['href'] 18 new_page_text = requests.get(url= new_url,headers=headers).contentAttributeError: 'NoneType' object has no attribute 'string'

Python爬虫技术系列-02HTML解析-BS4

Python爬虫技术系列-02HTML解析-BS4

2 Beautiful Soup解析

2.1 Beautiful Soup概述

2.1.1 Beautiful Soup安装

2.1.2 Beautiful Soup4库内置对象

2.2 BS4 案例

2.2.1 读取HTML案例

2.2.2 BS4常用语法

1Tag节点

2 遍历节点

3 搜索方法

1) find_all()

2)find()

3) CSS选择器

2.3 BS4综合案例

2.3.1 需求：爬取三国演义小说的所有章节和内容

2.3.2 爬取小说数据，并排错

最新关注

热文推荐

【C语言】指针练习篇（上），深入理解指针—指针和数组练习题和sizeof，strlen的对比【图文讲解,详细解答】

Java19新特性

Flink多流处理之connect拼接流

Linux:开发:valgrind报错问题总结(2022新)

和数集团浅谈区块链技术如何赋能数字政务？

从TMS逆向到 WMTS

Python爬虫技术系列-02HTML解析-BS4

Python爬虫技术系列-02HTML解析-BS4

2 Beautiful Soup解析

2.1 Beautiful Soup概述

2.1.1 Beautiful Soup安装

2.1.2 Beautiful Soup4库内置对象

2.2 BS4 案例

2.2.1 读取HTML案例

2.2.2 BS4常用语法

1Tag节点

2 遍历节点

3 搜索方法

1) find_all()

2)find()

3) CSS选择器

2.3 BS4综合案例

2.3.1 需求：爬取三国演义小说的所有章节和内容

2.3.2 爬取小说数据，并排错

相关文章

最新关注

热文推荐