当前位置：首页 > news >正文

Python爬虫技术系列-02HTML解析-lxml+BS4

news 来源：原创 2024/4/28 19:58:59

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:utf8
html_doc = """
<html><head><title>"bs4测试"</title></head>
<body>
<div><span class="cla01">标签文本</span>div中文本<!--注释代码--></div>
"""

# 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
   <!--注释代码-->
  </div>
 </body>
</html>
<class 'bs4.element.Tag'> 	: <div><span class="cla01">标签文本</span>div中文本<!--注释代码--></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：
在这里插入图片描述

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 BeautifulSoup
html_doc = '<div><p class="Web site url"><span>www.baidu.com</span></p></div>'
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:utf8
from bs4 import BeautifulSoup
html_doc = '''
<!DOCTYPE html>
<html>
<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>
</html>
'''
soup = BeautifulSoup(html_doc, 'html.parser')
body_tag=soup.body
print(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 BeautifulSoup
import re
html_doc = '''
<!DOCTYPE html>
<html>
<body>
<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>
<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>
</html>
'''
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 BeautifulSoup
import re
html_doc = '''
<!DOCTYPE html>
<html>
<body>
<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>
<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>
</html>
'''
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:utf8
html_doc = """
<!DOCTYPE html>
<html>
<head>
<title>"bs4测试案例网站"</title>
</head>
<body>
<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>
<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>
</html>
"""
from bs4 import BeautifulSoup

soup = 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 requests
from 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).text
    page_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url
    li_list = soup.select('.book-mulu > ul > li')
    fp = open('./sanguo.txt','w',encoding='utf-8')
    num = 0
    for li in li_list:
        num += 1
        if num >5:
            break
        title = li.a.string
        #详情页面的url
        detail_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.text
        fp.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_context
from turtle import title
import requests
from bs4 import BeautifulSoup
import lxml
if __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).content
        soup = BeautifulSoup(page_text,'lxml')
        li_list = soup.select('.DivTd')
        fp = open('./siheyuan.txt','w',encoding='utf-8')
        num = 0
        for DivTd in li_list:
            num += 1
            if num >5:
                break
            title = DivTd.a.string
            new_url = 'https:' + DivTd.a['href']
            new_page_text = requests.get(url= new_url,headers=headers).content
            new_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.string
                fp.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
---------------------------------------------------------------------------
AttributeError                            Traceback (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).content

AttributeError: 'NoneType' object has no attribute 'string'