BeautifulSoup 库的使用——python爬虫

写在前面

本文主要介绍了python爬虫中的BeautifulSoup库 的安装和使用,如果是爬虫小白,请先看文章爬虫入门与requests库的使用,再来看本文章,这样你会有更深刻地理解,当然，大佬随意。

python 爬虫

BeautifulSoup库是什么

BeautifulSoup 是一个用于解析 HTML 和 XML 文档的 Python 库，它帮助你从网页中提取数据。这个库非常灵活，并且可以与多种不同的解析器一起工作，比如 Python 内置的 html.parser、lxml 或者 html5lib。

BeautifulSoup的安装

想要安装BeautifulSoup库,则需要执行以下安装命令:

• pip install bs4
• pip install beautifulsoup4
• pip install soupsieve
• pip install lxml

解析器对比

如上图，其中markup 为一个html文件或者html代码(字符串形式)。

BeautifulSoup的使用

BeautifulSoup 库中的4种类

BeautifulSoup 将复杂的 HTML 文档转换成由 Python 对象构成的树形结构，主要包括以下四种类型的对象：Tag, NavigableString, BeautifulSoup, 和 Comment。

• Tag：表示标签。
• NavigableString：表示标签之间的文本内容。
• BeautifulSoup：表示整个解析后的文档。
• Comment：一种特殊的 NavigableString，表示 HTML 中标签之间的注释。

获取标签

获取指定标签

Tag(获取标签):

from bs4 import BeautifulSoup

with open(file="test.html", mode='r', encoding='utf-8') as fp:

    soup = BeautifulSoup(markup=fp, features='html.parser')
    # 解析html文件并将解析结果返回
    
    # 查找并获取HTML文档中的第一个 <h2> 标签。
    h2_tag = soup.h2
    
    
    # 打印找到的 <h2> 标签（如果有的话）。如果没有找到 <h2> 标签，则打印None。
    print(h2_tag)
    
    
    # 打印 <h2> 标签的数据类型。如果是有效的标签，它将是bs4.element.Tag 类型；
    #如果没有找到标签，则是NoneType。
    print(type(h2_tag))
    
    # 打印标签名 
    print(h2_tag.name) 
    
    # 修改标签名后打印，并不会修改原HTML文档中的标签名 
    h2_tag.name = 'h3' 
    
    
    print(h2_tag.name)
    
    
    # 获取标签之间的文本内容(纯文本内容)，如果标签中还有标签，则返回None 
    print(h1_tag.string) 
    
    # 获取标签之间的文本内容，如果标签中还有标签，
    #则获取所有二级标签的内容（以换行分隔）
    # 最终将所有的文本内容拼接成一个字符串返回
    print(h1_tag.get_text())
    

    img_tag = soup.img    #获取到第一个<img>标签
    
    
    # 以字典方式获取标签的所有属性的键和值
    print(img_tag.attrs)
    
   
    
    # 获取img标签中属性alt的值，如果属性不存在报KeyError错误
    print(img_tag['alt'])
    
    # 获取img标签中属性alt的值，如果属性不存在返回None
    print(img_tag.get('alt'))
    print(img_tag.attrs.get('alt'))
    # 以上两种方式是同样的效果
    
    
    img_tag['alt'] = '修改后的alt'
    # 打印修改后的alt的值
    print(img_tag['alt'])
    
    
    # 删除属性
    del img_tag['alt']
    
    # 打印标签内容
    print(img_tag)

下面详细地讲解一下需要注意的方法:

标签名.get_text():

# 获取标签之间的文本内容，如果标签中还有标签，
# 则获取所有二级标签的文本内容（以换行分隔）
# 最终将所有的文本内容拼接成一个字符串返回
 print(h1_tag.get_text())

<div>
  <p>Hello</p>
  <span>World</span>
</div>

div_tag.get_text()          # 输出: '\nHello\nWorld\n'
div_tag.get_text(strip=True) # 输出: 'HelloWorld'
div_tag.get_text(separator=" | ") # 输出: '\n | Hello | \n | World | \n'

获取标签的的子标签

1. 获取指定标签的所有 子节点标签及文本内容(列表形式返回)

标签名.contents:

标签名.contents

#获取当前标签的直接子节点列表(不含子孙)

<div>
  <p>Hello</p>
  <span>World</span>
</div>

div_tag.contents 
# 输出: ['\n', <p>Hello</p>, '\n', <span>World</span>, '\n']

注意 :与上面的标签名.get_text()作区别

2. 获取指定标签的所有 子节点标签及文本内容(迭代器形式返回)

soup.标签名.children
#获得标签对应的子标签和子字符串（回车）的迭代类型，可以直接用于迭代

3. 获取指定标签的所有 子孙后代节点标签及文本内容(迭代器形式返回)

soup.标签名.descendants
# 获得标签对应的所有的子孙标签和子孙字符串的迭代类型，可以直接用于迭代

获取标签的的父标签(上行遍历)

1. 获取指定标签的父标签(迭代器形式返回)

soup.标签名.parent
#获得标签对应的父标签

2. 获取指定标签的所有先辈标签(迭代器形式返回 ),从直接父级开始，逐级向上到文档根节点

soup.标签名.parents
 #获得标签对应的先辈标签的迭代类型，可以直接用于迭代

获取标签的兄弟标签(平行遍历)

1. 获取指定标签相邻的下一个平行标签(按html代码顺序)

soup.标签名.next_sibling  
#返回按html代码顺序的下一个平行节点标签

2. 获取指定标签相邻的上一个平行标签(按html代码顺序)

soup.标签名.previous_sibling
# 返回html代码顺序的上一个平行节点标签

3. 获取指定标签后续的所有平行标签(即按html代码顺序排在指定标签后的所有兄弟标签)

soup.标签名.previous_siblings
# 返回html代码顺序的后续所有平行节点标签

4. 获取指定标签前序的所有平行标签(即按html代码顺序排在指定标签前的所有兄弟标签)

soup.标签名.previous_siblings 
#返回html代码顺序的前序所有平行节点标签

获取注释

想要获取和操作html文件或代码中的注释,需要通过 BeautifulSoup 的 Comment 类。

Comment类的作用；

• 提取注释内容 ：从 HTML/XML 中提取被 <!-- ... --> 包裹的注释文本。
• 判断节点类型：识别某个字符串节点是否为注释。

定位注释:

注释在 BeautifulSoup 中被解析为 Comment 类型的特殊字符串对象，可通过以下方式获取：

from bs4 import BeautifulSoup, Comment

html = '''
<div>
  <p>正文内容</p>
  <!-- 这是一个隐藏的注释 -->
</div>
'''

soup = BeautifulSoup(html, 'html.parser')

# 方法1：遍历所有字符串节点，筛选出注释
comments = soup.find_all(string=lambda text: isinstance(text, Comment))
for comment in comments:
    print("注释内容:", comment)  # 输出: 这是一个隐藏的注释

# 方法2：直接通过标签访问（若注释在标签内）
div_tag = soup.div
comment_in_div = div_tag.find(string=lambda text: isinstance(text, Comment))
print(comment_in_div)  # 输出: 这是一个隐藏的注释

操作注释:

• 提取注释文本 ：直接获取 Comment 对象的字符串。
• 替换或删除注释：

# 找到对应的注释
# 替换注释为普通文本
comment = div_tag.find(string=lambda text: isinstance(text, Comment))
comment.replace_with("替换后的文本")

# 删除注释
comment.extract()

例子 ( 提取注释中的日期):

from bs4 import BeautifulSoup, Comment

html = '''
<div class="article">
  <!-- 文章发布时间：2023-10-01 -->
  <h1>标题</h1>
  <p>正文内容...</p>
</div>
'''

soup = BeautifulSoup(html, 'html.parser')
div_tag = soup.find('div', class_='article')
#定位到了指定的标签

# 查找注释并提取日期
comment = div_tag.find(string=lambda text: isinstance(text, Comment))
if comment:
    date = comment.strip().split("：")[-1]
    print("发布日期:", date)  # 输出: 2023-10-01

根据条件查找标签

soup.find_all(name,attrs,string)

#name 目的标签名,同时查找多个标签时格式为
#name=['标签名1','标签名2'],name=True时,查找出所有标签

#attrs 目的标签中的属性值,查找标签名与name相同,同时标签属性的所有值中有attrs的标签
#也可以直接对属性进行查找 soup.find_all(class="title")
# 查找class属性的值为"title"的标签

link = soup.find_all('a', {'class': 'sister', 'id': 'link2'})
#同时对多个属性查找

#string 对标签文本内容的查找(支持使用正则表达)

#limit 限制返回结果的数量，类似于 SQL 中的 `LIMIT` 关键字。
#当搜索到的结果数量达到限制时，停止搜索并返回结果


#recursive 控制是否检索所有子孙节点。
#如果设置为 `False`，则只搜索直接子节点



#函数作用:以列表的形式返回查找结果
#soup(......) ----------soup.find_all(......)

如上,为常用的查找方法,其中soup.find()的作用是查找第一个匹配的标签,找到后立马返回,不再继续查找,其参数与soup.find_all(......)相同。

根据CSS选择器查找标签

#可以直接使用标签名查找元素
title_tags = soup.select('title')
print(title_tags)


#使用（.类名）选择类查找元素
sister_links = soup.select('.sister')
print(sister_links)


#使用井号（`#id名`）选择ID查找元素
link1 = soup.select('#link1')
print(link1)


#使用空格选择后代元素
bold_text = soup.select('p b')
print(bold_text)


#使用大于号（`>子标签名`）选择直接子元素
direct_children = soup.select('body > p')
print(direct_children)  
# 输出: [<p class="title"><b>The Dormouse's story</b></p>,
#<p class="story">...</p>]

# 输出body下所有子标签中的p标签

#可以根据属性来选择元素
specific_link = soup.select('a[href="http://example.com/lacie"]') 
print(specific_link)


#可以使用伪类选择器，例如选择第一个元素
first_sister = soup.select('.sister:first-child')
print(first_sister)
#选择class="sister"的标签下的第一个子标签